有没有办法实时检测是否有多人说话？我需要语音识别 API 吗？
我不想分离音频，也不想转录它。我的方法是经常使用一只麦克风(-> 单声道)进行录音，然后分析这些录音。但是我该如何检测和区分声音呢？我会通过仅查看相关频率来缩小范围，但随后...
我确实明白这不是一件微不足道的事情。这就是为什么我确实希望有一个 api 能够开箱即用地执行此操作 - 最好是移动/网络友好的 api。
现在这听起来像是一份圣诞节购物 list ，但正如前面提到的，我不需要了解任何有关内容的信息。所以我的猜测是，成熟的语音识别会对性能造成很大影响。
最佳答案
大多数类似问题(成人/ child 分类器、语音/音乐分类器、单语音/语音混合分类器)都是标准的机器学习问题。您可以使用 GMM 等分类器来解决它们。您只需要为您的任务构建训练数据，因此:
- 录制一些干净的录音，您可以下载有声读物
- 通过混合干净的录音来准备混合数据
- 在两者上训练 GMM 分类器
- 比较干净语音 GMM 和混合语音 GMM 的概率，并根据两个分类器的概率比来确定混合的存在。
您可以在这里找到一些代码示例:
https://github.com/littleowen/Conceptor
例如你可以尝试
https://github.com/littleowen/Conceptor/blob/master/Gender.ipynb
关于audio - 无需语音识别即可检测多个声音，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/38304540/