人が話しているときにセグメントを特定していますか？

Question

誰かが音声録音で特定の人が話しているセグメントを見つけることを可能にする（できればC＃.Net）ライブラリを知っていますか？

Answer 1

これは、ツールキットの掛け声で可能です：http://shout-toolkit.sourceforge.net/index.html

これは、C++で書かれており、Linux用のテストが、それはまた、WindowsやOSXで実行する必要があります。

このツールキットは私のPhDの自動音声認識（ASR）研究の副産物でした。 ASRのためにそれを使用することは、それほど単純ではありませんが、Speech Activity Detection（SAD）とdiarization（特定の人物のすべての発言を見つけること）では、非常に使いやすいです。次に例を示します。

1. 16KHz、16ビット、リトルエンディアン、モノラルのヘッダーレスpcmオーディオファイルを作成します。 ffmpeg -i [INPUT_FILE] -vn -acodec pcm_s16le -ar 16000 -ac 1 -f s16le [RAW_FILE]リトルエンディアンエンコードファイルサイズ（4バイト）でヘッダーレスデータにプレフィックスを付けます。 shout_clusterは拡張子に基づいてファイルタイプを検出するため、ファイルに.raw拡張子が付いていることを確認してください。

2. は、音声/非音声のセグメンテーションを実行します。 ./shout_segment -a [RAW_FILE] -amsは[SHOUT_SAD_MODEL] -mo [SAD_OUTPUT] 出力ファイルは、誰かがラベル（話しているセグメントを提供しますもちろん、それはすべて自動的に行われるので、音声ではない音（「SOUND」）、または沈黙（「SILENCE」）があるシステムでは間違いが起きる可能性があります。

3. がdiarizationを実行します。 ./shout_cluster -a [RAW_FILE] -mo [DIARIZATION_OUTPUT] -mi [SAD_OUTPUT] はshout_segmentの出力を使用して、それが記録にアクティブだったどのように多くの講演者を決定しようとします各スピーカー（ "SPK01"、 "SPK02"など）にラベルを付け、各スピーカーのすべてのスピーチセグメントを見つけます。

私はこれが役立つことを願っています！

Answer 2

上記の回答は正確ですが、SHoUTをインストールする際に、Linuxでインストールに関する問題が発生しました。 undefined reference to pthread_joinそのソリューション私が叫ぶのインストールzipからconfigure-make.shを開き、に変更に

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

NOTE

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

へlpthreadラインを変更することがわかりましたLinuxシステムのpthread。

OS：シャウトバージョンのLinuxのミント18 ：リリース-2010-バージョン-0-3