声音匹配/搜索

Question

声音匹配/搜索的实际技术现状如何？我目前正在远程参与规划一个 Web 应用程序，该应用程序除其他外将包含并公开一个记录的短音频剪辑数据库（最多 3-5 秒，人名）。有人提出了一个问题，是否可以根据用户语音输入来实现搜索。我的直觉告诉我，从计算和算法的角度来看，这都是一项不可能完成的任务，尤其是在 Web 应用程序中（除此之外，它不是应用程序的核心功能）。我意识到可能有许多学术项目，这将是一个很好的研究课题，但它不是任何可以作为附加功能实现到中型 Web 应用程序的东西。为了支持我的说法，我花了半个小时搜索，以免遗漏任何明显的东西，但我真的找不到任何好的来源。

我知道在不花更多时间自行研究的情况下提出关于 SO 的问题并不是很负责任，但我一直注意到在 SO 上提出问题比随机谷歌搜索更有效、更准确、更快捷东西。

Answer 1

市面上有一些音频指纹识别技术（大部分是专有技术），它们本质上是对音频文件进行“散列”处理。然后搜索是一个简单的哈希表或数据库查找。

Musicbrainz 对各种技术都有很好的了解Here

这些指纹是否适合或是否适合您的特定情况，我无法告诉您。

Answer 2

我不确定您是尝试根据输入来识别说话者，还是将输入与数据库中的名称进行匹配。但是：我曾经有这个想法来开发一个度量来计算两个口语单词的“距离”。我从来没有接近实现，但我想出了以下几点：

1) 您需要定义音频的重要特征。这是尼克在他的回答中描述的“散列”部分。即使是频谱图也可能包含太多有用的信息。我发现一种可能有趣的方法（没有任何关于语音研究的理论知识）是 MFCC（即 mel 频率倒谱系数）。 etsi.org 上有免费代码（查找语音识别和标准）。

2) 语速会有所不同，这会使事情变得复杂。动态时间扭曲可以用来解决这个问题。有关示例，请参阅此 Matlab-code。

我认为这不会很容易实现，并且需要很多调整。而且它绝对不是最先进的。