如何使用机器学习从音频剪辑中提取人声？

Question

我们如何使用机器学习从音频剪辑中获取人声，该音频剪辑在整个频域上可能有很多噪声。

Answer 1

与任何 ML 应用程序一样，该过程很简单：收集样本、设计特征、训练分类器。对于样本，您可以使用嘈杂的录音，或者您可以在 freesound.org 等网络声音集合中找到很多噪音。对于您可以使用均值归一化梅尔频率系数的功能，您可以在CMUSphinx speech recognition toolkit 中找到实现。对于分类器，您可以选择 GMM 或 SVM。如果你有足够的数据，它会很好地工作。

为了提高准确性，您可以添加噪声和语音是连续的假设，因此您可以使用 hangover 方案（本质上是 HMM）分析检测历史来检测语音块，而不是单独分析每一帧。