使用 Microsoft Cognitive 进行实时说话人识别

Question

我正在尝试构建一个应用程序，通过使用 Microsoft Cognitive Speaker Recognition API 来解决说话人分类问题。

看着sample project 和阅读APIs documentation，我明白应该通过向服务发送一个wav 文件来完成识别，这违背了我的实时目标。

有人对此进行过研究吗？使用这些 API 是否可行，或者我应该寻找另一条路？

Answer 1

注册需要 30 秒的数据。一旦你有了用户配置文件，你就可以从 1 秒的样本中识别用户，这样你就可以几乎实时地做到这一点，而且延迟非常小。要使用它，您需要设置shortAudio parameter。很难想象识别比这更快。

如果您需要不同的东西，可以使用像 Kaldi 这样的开源语音工具包，它可以做更灵活的事情。

Answer 2

没有流方法，就像 Google 使用 Speech API 一样。注册新的个人资料不需要 30 秒。在我最近的实践中 - 我在大约 10 秒内取得了成功的结果。 MS API 的核心问题是对多位发言者的限制。您必须找到自己的方式来将它们分成单独的音轨。否则它将识别第一个已知的声音。