如何使用机器学习从音频剪辑中提取人声？

Question

我们如何利用机器学习从音频片段中获取人声，这可能会在整个频域上产生很多噪音。

Answer 1

与任何ML应用程序一样，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，或者您可以在网络声音集合中找到很多噪音，如freesound.org。对于这些功能，您可以使用均值归一化的mel频率系数，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，它将运作得相当好。

为了提高准确度，您可以添加噪声和语音连续的假设，因此您可以使用宿醉方案（基本上是HMM）分析检测历史记录，以检测语音块，而不是单独分析每个帧。