【问题标题】：How to compare two audio data?如何比较两个音频数据？
【发布时间】：2012-06-01 03:24:59
【问题描述】：

我会录制我自己的声音并将它们保存为我的计算机中的 wav 文件。稍后我会说话，计算机应该将我的语音命令与预先存在/预先录制的 wav 文件匹配..

问题：如何检查两个音频数据是否相等或两个音频之间是否有 80% 匹配？

if(audio1 == audio2)
   DO Task A
else if( audio1 is a bit similar to audio 2)
   DO TASK B
else if( audio1 (80% match) audio 2)
   DO TASK C
end if

比较两个音频数据的最佳方法是什么？

【问题讨论】：

【解决方案1】：

不幸的是，仅尝试直接比较音频波形，您不会很快到达任何地方。有大量关于语音和说话人识别的研究，如果你不熟悉基础知识，你只会重新发明轮子。我认为您在这里有多种选择，具体取决于您真正想做的事情

开始阅读有关 HMM、DTW（如 learnvst 所述）和Mel-frequency Cepstral Coefficients 的信息，以了解从哪里开始。
使用现有的语音 API，例如 Microsoft one，它负责低级信号处理，您可以将其构建到您的应用程序中
使用更高级别的东西，例如 Windows Speech Recognition Macros，它使您能够通过语音控制 PC 的各个方面（例如“播放 Purple Haze”）

这取决于您是想了解低水平的语音处理（这将涉及大量数学），还是只想要一些几乎不需要编码的东西。

【讨论】：

【解决方案2】：

您可以从 Homemade Speech Recognition 找到一些想法。这适用于.NET 紧凑的框架，但可以很容易地适应普通的vanilla .NET。该解决方案基于快速傅里叶变换。

【讨论】：

【解决方案3】：

类似，你的意思是纯粹的数字吗？在这种情况下，交叉相关类型分析可能就足够了。否则，如果您的意思是人类听众对声音样本的听觉感知相似，那么您需要阅读声学指纹。

编辑：

我从你的更新中猜想你想做一种简单的语音识别，对吗？如果是这种情况，那么在非常有限的语料库中为信号获得最佳匹配的最佳选择是基于Dynamic Time Warping (DTW) 的识别器。基于Hidden Markov Model 的识别系统是最先进的，但基于 DTW 的系统实施起来要简单得多。

【讨论】：

【解决方案4】：

正如其他人所建议的那样，除非您可以提供更多信息，否则没有简单的解决方案。如果它们只是很短的声音，不会随时间发生太大变化，一种可能性是进行 FFT 并比较 FFT 的结果。

对于更复杂的事情，您可以采用类似的方法，但使用 STFT。

但是，您的问题很可能有特定领域的答案。

【讨论】：