我有 15 盘录音带，我相信其中一盘包含我祖母和我谈话的旧录音。快速尝试找到合适的地方并没有找到。我不想听20个小时的磁带才能找到它。该位置可能不在其中一盘磁带的开头。大多数内容似乎分为三类——按照总长度的顺序，最长的在前：沉默、语音广播和音乐。
我计划将所有磁带转换为数字格式，然后再次查找录音。最明显的方法是在我做其他事情时在后台播放它们。这对我来说太简单了，所以：是否有任何开源库或其他代码可以让我找到，以提高复杂性和实用性：
- 非静音区域
- 包含人类语音的区域
- 包含我自己的讲话（以及我祖母的讲话）的区域
我更喜欢 Python、Java 或 C。
由于我对该领域一无所知，因此如果没有答案，有关搜索词的提示将不胜感激。
我知道我很容易会在这上面花费 20 多个小时。
大多数时候你可能会节省的就是说话人分类。它的工作原理是用说话者 ID 注释录音，然后您可以轻松地将其手动映射到真实的人。错误率通常约为记录长度的 10-15%，这听起来很糟糕，但这包括检测太多说话者并将两个 ID 映射到同一个人，这并不难修复。
一个这样的好工具是喊叫工具包 http://shout-toolkit.sourceforge.net/(C++)，尽管它对输入格式有点挑剔。查看此工具的用法来自作者 https://stackoverflow.com/a/8292994。它输出语音/语音活动检测元数据和说话人分类，这意味着您获得第 1 点和第 2 点 (VAD/SAD) 以及一点额外的内容，因为它注释了录音中同一个发言者何时处于活动状态。
另一个有用的工具是LIUM spkdiaization http://lium3.univ-lemans.fr/diarization/doku.php/scripting（Java），它基本上做同样的事情，除了我还没有付出足够的努力来弄清楚如何获取 VAD 元数据。它具有很好的即用性可下载包 http://lium3.univ-lemans.fr/diarization/doku.php/download.
通过一点点编译，这应该会在一小时内完成。
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
