您知道那些技术极客录制某人的声音，然后他们的软件将其分解为音素的电影吗？然后他们可以用它来输入任何短语，并让目标看起来好像在说它？
该软件是否存在于 API 版本中？我什至不知道谷歌是什么。
【问题讨论】：
标签： api audio signal-processing phoneme
没有这样的软件。将任意语音分解为其组成音素只是部分解决的问题：speech-to-text 软件仍然不完善，text-to-speech 也是如此。
这个想法是重现目标声音的timbre。即使您能够完美地分割音频，重新排序音素也会产生不自然的节奏和语调的音频，更不用说拼接伪影了。那时，您将进入平滑、时间缩放和音高校正，所有这些在理论上都是可能的并且很好理解，但是在现实世界的数据上运行不佳，尤其是当所讨论的音频样本很短时单个音素，当需要保留音色时进一步。
allophonic 基于口音和周围音素的声音变化加剧了语音方面的这些问题；为了忠实地产生低质量的近似音频，您需要详细了解目标的语言、口音和语音模式。
此外，您的终极问题是social engineering 之一，当涉及到他们认识的人的声音时，人们不容易被愚弄。即使有大量的输入数据，充其量只能得到一个简短的低质量样本，不足以进行对话。
因此，虽然这当然是可能的，但这很困难；即使它存在，也并不总是足够好。
【讨论】：
SRI International（为 iOS 创建 Siri 的公司）有一个名为 EduSpeak 的 SDK，它将接收音频输入并将其分解为单独的音素。我知道这一点是因为我大约一周前参加了该产品的演示。在演示期间，演示者向我们展示了使用 SDK 创建的应用程序。该应用程序提供了几行文本供演示者阅读。阅读文本后，应用程序会显示一个条形图，其中每个条形代表他演讲中的一个音素。每个条形的高度代表每个音素发音的好坏得分（演示者不是以英语为母语的人，因此与其他人相比，他在某些音素上的得分较低）。演示者还可以单击每个单独的条，以使用原始音频仅播放该单独的音素。
所以是的，存在按音素划分音频的软件，并且它非常做得很好。现在，这些音素是否可以重新组合成语音是一个悬而未决的问题。如果我们最终获得了 SDK 的试用版，我会试用并通知您。
【讨论】：
如果你的目标是模仿别人的声音，那么另一种态度是转换你自己的声音（而不是组装音素）。它（令人惊讶地）称为语音转换，例如http://www.busim.ee.boun.edu.tr/~speech/projects/Voice_Conversion.htm
【讨论】：
该技术被称为“语音合成”和“语音识别”
Java API 可以在这里找到Java voice JSAPI
Apple 有一个用于此 Apple speech 的 API
微软有几个...这里讨论一个Vista speech
【讨论】：
Lyrebird 是一家正在解决这个问题的初创公司。给定一个人的声音样本和一些书面文本，它可以在样本中的人的声音中合成该书面文本的口语版本。
【讨论】：
您可以通过共振峰感知音高转换获得有趣的语音变形效果。 Adobe Audition 有一个非常好的实现。 Antares 产生了一些有趣的vocal effects VST plugins。
这些技术使用某种形式的linear predictive coding (LPC) 将语音视为源过滤器模型。 LPC 通过估计声道（共振峰）的共振，用逆滤波器反转其效果，然后对生成的残余信号进行编码来处理语音信号。残余信号理想地是代表声门脉冲的脉冲序列。这允许独立地缩放音高和共振峰，从而产生比简单的音高转换更好的性别转换结果。
【讨论】：
我不知道是否有商业可用的解决方案，但这个概念并非完全超出了可能性范围。例如，特拉华大学有相当不错的软件可以做到这一点。
【讨论】：