有没有人知道（最好是C＃.Net）图书馆，它可以让我在录音中找到特定人士所说的那些片段？
答案 0 :(得分：20)
可以使用工具包SHoUT：http://shout-toolkit.sourceforge.net/index.html
它是用C ++编写的，并针对Linux进行了测试，但它也应该在Windows或OSX下运行。
该工具包是我自动语音识别（ASR）博士研究的副产品。将它用于ASR本身可能不是那么简单，但对于语音活动检测（SAD）和语言化（找到一个特定人的所有语音），它很容易使用。这是一个例子：
创建一个16KHz，16bits，little-endian，mono的无头pcm音频文件。我使用ffmpeg来创建原始文件： ffmpeg -i [INPUT_FILE] -vn -acodec pcm_s16le -ar 16000 -ac 1 -f s16le [RAW_FILE] 以小端编码文件大小前缀无头数据（ 4字节）。确保文件具有.raw扩展名，因为shout_cluster会根据扩展名检测文件类型。
执行语音/非语音分段： ./ shout_segment -a [RAW_FILE] -ams [SHOUT_SAD_MODEL] -mo [SAD_OUTPUT] 输出文件将为您提供某人正在讲话的片段（标有“SPEECH”。当然，因为它全部自动完成，系统可能会出错...），其中有声音不是语音（“声音“），或沉默（”沉默“）。
执行diarization： ./ shout_cluster -a [RAW_FILE] -mo [DIARIZATION_OUTPUT] -mi [SAD_OUTPUT] 使用shout_segment的输出，它将尝试确定录音中有多少个扬声器，标记每个扬声器（“SPK01”，“SPK02”等），然后查找每个扬声器的所有语音段。
我希望这会有所帮助！
答案 1 :(得分：2)
虽然上面的答案是准确的，但我在安装SHoUT时对Linux上的安装问题进行了更新。我发现解决方案的undefined reference to pthread_join是从SHoUT安装zip打开 configure-make.sh 并修改该行
CXXFLAGS="-O3 -funroll-loops -mfpmath=sse -msse -msse2" LDFLAGS="-lpthread" ../configure
到
CXXFLAGS="-O3 -funroll-loops -mfpmath=sse -msse -msse2" LDFLAGS="-pthread" ../configure
注意 lpthread 在Linux系统上更改为 pthread 。
OS：Linux Mint 18 SHoUT版本：release-2010-version-0-3