speech-recognition - 当一个人说话时识别片段？

Question

有谁知道一个(最好是 C# .Net)库，它可以让我在录音中找到特定人说话的那些片段？

Answer 1

使用工具包 SHoUT 可以实现: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。

该工具包是我博士研究自动语音识别 (ASR) 的副产品。将它用于 ASR 本身可能并不那么简单，但对于语音事件检测 (SAD) 和分类(查找一个特定人的所有语音)，它非常易于使用。下面是一个例子:

创建一个 16KHz、16 位、小端、单声道的 headless pcm 音频文件。我使用 ffmpeg 创建原始文件: ffmpeg -i [输入文件] -vn -acodec pcm_s16le -ar 16000 -ac 1 -f s16le [RAW_FILE] 使用 little endian 编码的文件大小(4 字节)为 headless 数据添加前缀。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/非语音分割:
./shout_segment -a [RAW_FILE] -ams [SHOUT_SAD_MODEL] -mo [SAD_OUTPUT]
输出文件将为您提供有人说话的片段(标有“SPEECH”。当然，因为这都是自动完成的，系统可能会出错..)，其中有声音而不是语音(“声音”)或沉默(“沉默”)。

进行分类:
./shout_cluster -a [RAW_FILE] -mo [DIARIZATION_OUTPUT] -mi [SAD_OUTPUT]
使用shout_segment 的输出，它将尝试确定有多少说话人在录音中处于事件状态，标记每个说话人(“SPK01”、“SPK02”等)，然后找到每个说话人的所有语音片段。

我希望这个能帮上忙!