在我的项目中，我正在使用名为 LIUM_SpkDiarization-4.7.jar 的库，但我不太确定它是如何工作的。谁能解释一下？
另外，我在 python 中使用它。
图书馆的链接是：https://voiceid.googlecode.com/svn-history/r11/trunk/scripts/LIUM_SpkDiarization-4.7.jar
提前致谢。
【问题讨论】：
标签： java python jar voice speaker
我不知道这个工具。它看起来真的很酷。你查过他们的wiki吗？他们有一些关于系统如何工作的论文：http://lium3.univ-lemans.fr/diarization/doku.php
基本上，他们计算 MFCC Mel 频率倒谱系数（标准技术）。这是基本步骤。它生成一个可以使用的特征空间。它类似于及时计算滑动窗口上的 FFT。最终，使用贝叶斯信息准则 (BIC) 方法对这些时间切片特征进行聚类。首先对基于时间的特征空间进行分割，然后进行聚类，并为每个说话人找到一致的特征。 HMM、viterbi、EM，有时也可以使用 GMM。
我不太了解算法，无法详细解释，但这也应该有所帮助：http://lium3.univ-lemans.fr/diarization/doku.php/overview
【讨论】：