用于语音/说话人识别的CMU Sphinx

Question

我正在寻找一种匹配已知数据集的方法，比如说一个MP3或wav文件的列表，每个文件都是一个人说话的样本。在这一点上，我知道ABC文件是关于X个人的。

然后，我想再抽取一个样本，根据当时已知的数据集，进行一些语音匹配，以显示这个语音最有可能是谁。

此外，我不一定在乎这个人说了什么，只要我能找到匹配的，即我不需要任何抄写或其他方式。

我知道CMU狮身人面像不做语音识别，它主要用于语音到文本，但我见过其他系统，例如：LIUM扬声器拨号（http://cmusphinx.sourceforge.net/wiki/speakerdiarization）或VoiceID项目（https://code.google.com/p/voiceid/），它使用CMU作为此类工作的基础。

如果我使用CMU，如何进行语音匹配？

此外，如果CMU Sphinx不是最好的框架，是否有开源的替代框架？

Answer 1

对于博士论文来说，这是一个足够复杂的主题。目前还没有良好可靠的系统。

你要做的是一项非常复杂的任务。你应该如何处理它取决于你的情况。

• 你的人数有限吗？有多少
• 每个人有多少数据

如果你认识的人很少，你可以尝试一些简单的事情，比如获取这些人的线人并将他们与样本进行比较。

否则，你必须联系一些从事这方面工作的学者，或者自己制定一个解决方案。不管怎样，正如我所说，这都是一个困难的问题。