我正在为个人项目寻求建议。
我正在尝试创建一个用于创建自定义语音命令的软件。目标是允许用户/我记录一些音频数据(2/3 秒)以定义命令/宏。然后，当用户说话(记录相同的音频数据)时，将执行命令/宏。 该软件必须能够在低成本计算机(例如 RaspberryPi)中在不到 1 秒的处理时间内检测到命令。
我已经通过两种方式进行了搜索: - 语音识别(CMU-Sphinx、Julius、simon):有很好的开源解决方案，但它们通常需要大型数据库文件，而语音识别并不是我真正想要做的。对于一个小功能来说，语音识别可能会消耗太多电量。 - 音频指纹(Chromaprint -> http://acoustid.org/chromaprint):这似乎几乎就是我正在寻找的。其原理是从原始音频数据创建指纹，然后比较指纹以确定它们是否相同。然而，这种软件/库似乎是为歌曲识别而设计的(就像智能手机上的著名软件一样):我正在尝试配置一个好的“比较器”，但我认为我的方式很糟糕。
您知道一些专用软件或代码包可以做类似的事情吗？
如有任何建议，我们将不胜感激。
最佳答案
我有一个或多或少类似的项目，我打算在其中向机器人发送语音命令。语音识别软件对于这样的任务来说太复杂了。我使用 C++ 中的 FFT 实现来提取采样语音的傅立叶分量，然后创建主要频率(目标语音命令具有最高振幅的频率)的直方图。我尝试了两种方法:
比较给定语音命令的直方图与内存中保存的直方图之间的相似性，以识别最可能的命令。
使用支持 vector 机 (SVM) 训练分类器来区分语音命令。我用过LibSVM结果比第一种方法要好得多。然而，SVM方法的一个问题是需要相当大的数据集来进行训练。另一个问题是，当给出未知的语音时，分类器无论如何都会输出命令(这显然是错误的命令检测)。这可以通过第一种方法来避免，我有一个相似性度量的阈值。
我希望这可以帮助您实现自己的语音激活软件。
关于c++ - 创建自定义语音命令 (GNU/Linux)，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/15304768/