Speech recognition 当一个人说话时，识别片段？

有谁知道一个（最好是C#Net）库，可以让我在录音中找到某个特定的人正在讲话的片段

使用工具箱可以：

是用C++编写的，用于Linux测试，但也应该在Windows或OSX下运行。 该工具包是我在自动语音识别（ASR）博士研究中的副产品。将其用于ASR本身可能并不是那么简单，但对于语音活动检测（SAD）和日记化（查找一个特定人的所有语音）来说，它非常容易使用。以下是一个例子：

创建一个16KHz、16位、小端、单声道的无头pcm音频文件。我使用ffmpeg创建原始文件：ffmpeg-I[INPUT_FILE]-vn-acodec pcm_s16le-ar 16000-ac 1-f s16le[raw_FILE]在无头数据前面加上小尾端编码文件大小（4字节）。确保该文件具有.raw扩展名，因为集群根据扩展名检测文件类型

执行语音/非语音分段： /shout\u段-一个[RAW\u文件]-ams[shout\u SAD\u模型]-mo[SAD\u输出] 输出文件将为您提供有人正在讲话的片段（标有“SPEECH”。当然，因为这都是自动完成的，系统可能会出错…），其中有声音不是语音（“声音”）或静默（“静默”）

执行日记： /shout\u集群-a[RAW\u文件]-mo[DIARIZATION\u输出]-mi[SAD\u输出] 使用shout_段的输出，它将尝试确定录音中有多少发言者处于活动状态，标记每个发言者（“SPK01”、“SPK02”等），然后查找每个发言者的所有语音段

---

我希望这会有帮助

虽然上面的答案是准确的，但我有一个关于我在Linux上安装SHoUT时遇到的安装问题的更新

对pthread_join的未定义引用

我发现其解决方案是从安装zip打开configure-make.sh并修改行

CXXFLAGS="-O3 -funroll-loops -mfpmath=sse -msse -msse2" LDFLAGS="-lpthread" ../configure

到

注意要在Linux系统上运行的lpthread已更改为pthread

操作系统：Linux Mint 18

---

where SHoUT version:release-2010-version-0-3

谢谢您的回答，Marijn，谢谢您列出的步骤！该语言是否独立，即是否可以使用希伯来语、日语等？（令人惊讶的是，在这个例子中，这些“可能是因为它们是如此奇特的语言而被选中的”正是所需要的语言：）我刚刚使用了这个命令，终端在第二个命令中被冻结。Ubuntu 17.10。也许这是因为我没有对这条指令做任何修改：“在无头数据前面加上小的endian编码文件大小（4字节）”。是这样吗？我该怎么做？谢谢你的回答，伙计！你最终成功地识别出了什么吗？使用SHoUT-no，我切换到Python，因为它更好地支持音频分析。

CXXFLAGS="-O3 -funroll-loops -mfpmath=sse -msse -msse2" LDFLAGS="-pthread" ../configure