创建自定义语音命令 (GNU/Linux)

Question

我正在为个人项目寻求建议。

我正在尝试创建一个用于创建自定义语音命令的软件。目标是允许用户/我记录一些音频数据（2/3 秒）以定义命令/宏。然后，当用户说话（录制相同的音频数据）时，将执行命令/宏。 该软件必须能够在低成本计算机（例如 RaspberryPi）中在不到 1 秒的处理时间内检测到命令。

我已经通过两种方式进行了搜索： - 语音识别（CMU-Sphinx、Julius、simon）：有很好的开源解决方案，但它们通常需要大型数据库文件，而语音识别并不是我真正想要做的。对于一个小功能，语音识别可能会消耗过多的电量。 - 音频指纹（Chromaprint -> http://acoustid.org/chromaprint）：这似乎是我正在寻找的。原理是从原始音频数据创建指纹，然后比较指纹以确定它们是否相同。但是，这种软件/库似乎是为歌曲识别而设计的（就像智能手机上的著名软件）：我正在尝试配置一个好的“比较器”，但我认为我的做法很糟糕。

你知道一些专门的软件或代码包做类似的事情吗？

任何建议都将不胜感激。

Answer 1

我有一个或多或少类似的项目，我打算向机器人发送语音命令。语音识别软件对于这样的任务来说太复杂了。我使用 C++ 中的 FFT 实现来提取采样语音的傅立叶分量，然后创建主频率（目标语音命令具有最高幅度的频率）的直方图。我尝试了两种方法：

1. 比较给定语音命令的直方图与内存中保存的直方图的相似性，以确定最可能的命令。

2. 使用支持向量机 (SVM) 训练分类器以区分语音命令。我使用了LibSVM，结果比第一种方法要好得多。但是，SVM 方法的一个问题是您需要一个相当大的数据集进行训练。另一个问题是，当给出一个未知的声音时，分类器无论如何都会输出一个命令（这显然是一个错误的命令检测）。第一种方法可以避免这种情况，我有一个相似性度量的阈值。

我希望这可以帮助您实现自己的语音激活软件。

Answer 2

歌曲指纹对于该任务来说不是一个好主意，因为命令时间可能会有所不同，并且指纹需要精确的时间匹配。然而，它很容易实现与 DTW 算法的时间序列匹配和使用 CMUSphinx 库 Sphinxbase 提取的特征。有关详细信息，请参阅有关 DTW 的 Wikipedia 条目。

http://en.wikipedia.org/wiki/Dynamic_time_warping

http://cmusphinx.sourceforge.net/wiki/download