声纹识别kaldi callhome diarization怎么实现

发布时间:2021-12-08 13:41:49 作者:iii
来源:亿速云 阅读:181

这篇文章主要介绍“声纹识别kaldi callhome diarization怎么实现”,在日常操作中,相信很多人在声纹识别kaldi callhome diarization怎么实现问题上存在疑惑,小编查阅了各式资料,整理出简单好用的操作方法,希望对大家解答”声纹识别kaldi callhome diarization怎么实现”的疑惑有所帮助!接下来,请跟着小编一起来学习吧!

callhome diarization kaldi 中专门用来进行混合录音文件聚类分别的

学会自己看kaldi中的 指令demo。

个人操作如下:

teps/segmentation/detect_speech_activity.sh --cmd 'run.pl' --nj 1 --mfcc-config ./conf/mfcc_hires.conf --extra-left-context 79 --extra-right-context 21 --extra-left-context-initial 0 --extra-right-context-final 0 --frames-per-chunk 150 data/ljj exp/segmentation_1a/tdnn_stats_asr_sad_1a exp/mfcc_hires exp/segmentation_sad_snr/nnet_tdnn_j_ljj data/ljj
 
steps/make_mfcc.sh --mfcc-config conf/mfcc.conf --nj 1 --cmd "run.pl" --write-utt2num-frames true data/ljj_seg exp/make_mfcc mfcc 

utils/fix_data_dir.sh data/ljj_seg
 
 #  倒谱均值方差归一化(CMVN)  
 local/nnet3/xvector/prepare_feats.sh --nj 1 --cmd "run.pl" data/ljj_seg data/ljj_seg_cmn exp/ljj_seg_cmn
 
 cp data/ljj_seg/segments data/ljj_seg_cmn/
 
 utils/fix_data_dir.sh data/ljj_seg_cmn
 
 diarization/nnet3/xvector/extract_xvectors.sh --cmd "run.pl"  --nj 1 --window 1.5 --period 0.75 --apply-cmn false --min-segment 0.5 exp/xvector_nnet_1a  data/ljj_seg_cmn exp/xvectors_ljj_seg
 
 diarization/nnet3/xvector/score_plda.sh --cmd "run.pl --mem 4G" --nj 1 --target-energy 0.9  exp/xvector_nnet_1a/xvectors_callhome1 exp/xvectors_ljj_seg exp/xvectors_ljj_seg/plda_scores
 
 diarization/cluster.sh --cmd "run.pl --mem 4G" --nj 1 --reco2num-spk data/ljj_seg/reco2num_spk exp/xvectors_ljj_seg/plda_scores exp/xvectors_ljj_seg/plda_scores_num_speakers
 #  如果知道有多少人说话 则需要生成 --reco2num-spk data/ljj_seg/reco2num_spk
 
 diarization/cluster.sh --cmd "run.pl --mem 4G" --nj 1 --threshold 0 exp/xvectors_ljj_seg/plda_scores exp/xvectors_ljj_seg/plda_scores_threshold_0
 
 
 第二列是文件名,第三列是开始时间,第四列是移动时间 第五列是 从移动时间开始 多少时间算一份  第八列是文件的label
如下是 已知文件有几个人说话的时候
SPEAKER 18642259056-liujinjie.wav 0   0.000   4.510 <NA> <NA> 1 <NA> <NA>
SPEAKER 18642259056-liujinjie.wav 0   4.530   1.660 <NA> <NA> 2 <NA> <NA>
SPEAKER 18642259056-liujinjie.wav 0   6.210   4.880 <NA> <NA> 2 <NA> <NA>
SPEAKER 18642259056-liujinjie.wav 0  11.090   1.660 <NA> <NA> 1 <NA> <NA>
SPEAKER 18642259056-liujinjie.wav 0  12.800   2.130 <NA> <NA> 1 <NA> <NA>
SPEAKER 18642259056-liujinjie.wav 0  14.950   4.400 <NA> <NA> 2 <NA> <NA>
SPEAKER 18642259056-liujinjie.wav 0  19.390   1.810 <NA> <NA> 2 <NA> <NA>
SPEAKER 18642259056-liujinjie.wav 0  21.220   5.220 <NA> <NA> 2 <NA> <NA>
SPEAKER 18642259056-liujinjie.wav 0  26.440   4.410 <NA> <NA> 1 <NA> <NA>
SPEAKER 18642259056-liujinjie.wav 0  30.850   2.480 <NA> <NA> 2 <NA> <NA>
SPEAKER 18642259056-liujinjie.wav 0  33.340   5.120 <NA> <NA> 2 <NA> <NA>
SPEAKER 18642259056-liujinjie.wav 0  38.460   5.990 <NA> <NA> 1 <NA> <NA>
SPEAKER 18642259056-liujinjie.wav 0  44.480   3.910 <NA> <NA> 1 <NA> <NA>
SPEAKER 18642259056-liujinjie.wav 0  48.460   3.460 <NA> <NA> 1 <NA> <NA>
SPEAKER 18642259056-liujinjie.wav 0  52.060   5.420 <NA> <NA> 1 <NA> <NA>
SPEAKER 18642259056-liujinjie.wav 0  57.530   5.030 <NA> <NA> 1 <NA> <NA>


如下是 不知文件有几个人说话的时候
SPEAKER 18642259056-liujinjie.wav 0   0.000   4.510 <NA> <NA> 1 <NA> <NA>
SPEAKER 18642259056-liujinjie.wav 0   4.530   1.660 <NA> <NA> 3 <NA> <NA>
SPEAKER 18642259056-liujinjie.wav 0   6.210   4.880 <NA> <NA> 2 <NA> <NA>
SPEAKER 18642259056-liujinjie.wav 0  11.090   1.660 <NA> <NA> 1 <NA> <NA>
SPEAKER 18642259056-liujinjie.wav 0  12.800   2.130 <NA> <NA> 1 <NA> <NA>
SPEAKER 18642259056-liujinjie.wav 0  14.950   4.400 <NA> <NA> 2 <NA> <NA>
SPEAKER 18642259056-liujinjie.wav 0  19.390   1.810 <NA> <NA> 2 <NA> <NA>
SPEAKER 18642259056-liujinjie.wav 0  21.220   5.220 <NA> <NA> 2 <NA> <NA>
SPEAKER 18642259056-liujinjie.wav 0  26.440   4.410 <NA> <NA> 1 <NA> <NA>
SPEAKER 18642259056-liujinjie.wav 0  30.850   2.480 <NA> <NA> 2 <NA> <NA>
SPEAKER 18642259056-liujinjie.wav 0  33.340   5.120 <NA> <NA> 2 <NA> <NA>
SPEAKER 18642259056-liujinjie.wav 0  38.460   5.990 <NA> <NA> 1 <NA> <NA>
SPEAKER 18642259056-liujinjie.wav 0  44.480   3.910 <NA> <NA> 1 <NA> <NA>
SPEAKER 18642259056-liujinjie.wav 0  48.460   3.460 <NA> <NA> 1 <NA> <NA>
SPEAKER 18642259056-liujinjie.wav 0  52.060   5.420 <NA> <NA> 1 <NA> <NA>
SPEAKER 18642259056-liujinjie.wav 0  57.530   5.030 <NA> <NA> 1 <NA> <NA>
 
接下来就是 用pydub 进行语音片段的拼接了

到此,关于“声纹识别kaldi callhome diarization怎么实现”的学习就结束了,希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习,快去试试吧!若想继续学习更多相关知识,请继续关注亿速云网站,小编会继续努力为大家带来更多实用的文章!

推荐阅读:
  1. 如何理解JavaScript中的对象
  2. MySQL数据库升级的坑有哪些

免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。

kaldi

上一篇:postman怎么使用

下一篇:Java如何把一个单链表进行反转

相关阅读

您好,登录后才能下订单哦!

密码登录
登录注册
其他方式登录
点击 登录注册 即表示同意《亿速云用户服务条款》