Speech recognition 音频分析以检测人类的声音、性别、年龄和情绪——之前有没有做过开源工作？

在“音频分析”领域是否有以前的开源工作来检测人类的声音（比如说，尽管有一些背景噪音），确定说话人的性别，可能确定说话人的数量，说话人的年龄，以及说话人的情绪

---

我的直觉是，像CMU Sphinx这样的语音识别软件可能是一个很好的起点，但如果有更好的，那就太好了。

我是一名从事语音识别研究的研究生。这些都是开放研究的问题，不幸的是，我不知道有哪些开源软件包可以直接完成这些工作

如果您在实现信号处理或机器学习算法方面有一定的背景，您可以尝试使用以下搜索词查找学术论文：

• 性别识别（有时称为性别识别）：从言语中预测说话人的性别
• 年龄识别：预测说话人的年龄
• 说话人识别：从一组可能的说话人中预测出一次讲话中最可能的说话人
• 说话人验证：接受或拒绝属于说话人的话语（想象一个“声纹”类型的授权系统）
• 说话人日志化：获取包含多个文件的音频文件，并标记哪些语音片段属于哪个说话人
• 情绪识别：从言语中预测说话人的情绪（一个非常新的研究领域）

据报道，CMU Sphinx可能是目前领先的开源语音识别器，它不支持说话人识别（）；我怀疑它是否具有上述任何其他功能

一些学术研究人员在网上发布他们的代码，和/或可能愿意与您共享。搜索Google Scholar可以发现很多人都用Sphinx写过硕士或博士论文，所以这可能是一个很好的起点

最后，你可以尝试实现一个非常粗糙的性别识别算法，而不需要进入语音识别器本身，如果你知道一点信号处理的话。基本上，男性和女性的声音基本频率不同——根据维基百科（），男性的声音在85-180Hz之间，而女性的声音在165Hz-255Hz之间。您可以使用类似于

sox

的方法来确定话语的频谱（使用称为快速傅立叶变换的方法），并根据一些汇总统计数据（如平均频率）将语音分类为“男性”或“女性”（请参阅）。要使这项工作稳定可靠（即使用许多扬声器、麦克风或录音环境），您可以做很多事情。我不确定我是否能预测需要多少时间和精力才能达到70%的准确率，因为这取决于你任务的性质；我的感觉是90%以上肯定很难

---

祝你好运

使用CMU Sphinx 4提取音调和功率等低级信息可能有点困难（尽管旧版本可能有此功能）。我建议你用普拉特。您可以编写脚本来提取说话人语音中的音调层和每个共振峰。老实说，Praat脚本语言非常可怕，但它可以快速完成许多事情，否则需要很长时间。许多Praat脚本也发布在网上。请参阅。

了解您的语音/非语音分类和日记问题（确定发言者数量和发言时间）：有一个开源工具包可以做到这一点（自动，因此输出中当然会有错误）。看看这篇文章：

---

我觉得性别很难确定。男性和女性的范围有很多重叠。年龄也会有同样的问题。谢谢@Scott-M。你是对的，声音范围可以重叠，但即使区分对70%的病例有效，这对我也有好处。下面的项目是专门针对说话人识别的，但没有成功编译。。。