Pythonスピーカーの認識

Question

私はオーディオファイルを持っています（2人の録音された電話の会話）。私は2つのスピーカーの音声を自動的に分離する必要があります。私は音声認識には新しく、パイソンの波動モジュールを見ていましたが、有益な情報は見つけられませんでした。

開始の手助けをしてください。また、私は問題を解決するのに役立つ無料のPythonライブラリを提案してください。

Answer 1

numpyで始めると、オーディオレコーディングのさまざまな声を区別するのに適した方法としてspectrpgraphs（基本的にはローリングFFT）を見ます。

ここスペクトログラム機能はMatplotlibにあります：

http://matplotlib.sourceforge.net/api/pyplot_api.html#matplotlib.pyplot.specgram

あなただけのWindowsプラットフォーム上で始めるしている場合、私はPython(x,y)をお勧めします。

Answer 2

CMU Sphinx Pythonライブラリをご覧ください。それはJavaで開発されているので、Pythonのlibsはそれのためのラッパーに過ぎないと思います。このプロジェクトの背景には、多くの研究が進行中です。

公式のwiki：ここでは、Linux用http://cmusphinx.sourceforge.net/wiki/

クイックスタートチュートリアル：http://probing.wikidot.com/speech-recognition-using-sphinx3-and-python

Answer 3

sciKitsトークボックスをチェックしてください：http://projects.scipy.org/scikits/wiki/Talkbox

Unfortunutlyチュートリアルが非常に制限されています：http://www.ar.media.kyoto-u.ac.jp/members/david/softwares/talkbox/talkbox_doc/intro.html

Answer 4

分離のタスクを話者の音声認識タスクではなく、話者認識タスクである。スピーチの親和性では、この作業はスピーカーのダイアリゼーションとも呼ばれます。スピーカーdiarizationとPythonで利用可能な話者認識のためのいくつかのパッケージがあります：あなたはPythonに制限されていない場合には

SIDEKIT from LIUM

Bob toolkit from Idiap

Speaker diarization from ISCI

は、他の人があります。

LIUM speaker diarization

Speaker recognition setup in Kaldi。最先端のDNNベースのiベクトルが含まれています。