Tengo un archivo de audio (conversación telefónica grabada de 2 personas). Necesito separar las voces de 2 parlantes automáticamente. Soy nuevo en el reconocimiento de voz y busqué en el módulo Wave de Python, pero faild para encontrar información fructífera.Python Speaker Recognition
Por favor, ayuda para saber cómo empezar. También sugiérame bibliotecas gratuitas de Python que me ayudarán a resolver el problema.
Comience con numpy, y me gustaría ver los espectrpgraphs (básicamente una FFT rodante) como un buen método para distinguir diferentes voces en una grabación de audio.
Aquí está la función de espectrograma en Matplotlib:
http://matplotlib.sourceforge.net/api/pyplot_api.html#matplotlib.pyplot.specgram
recomendaría Python(x,y) si acaba de empezar en una plataforma Windows.
Eche un vistazo a la biblioteca CMU Sphinx Python. Está desarrollado en Java, así que creo que las libs de Python son solo envoltorios para eso. El proyecto tiene mucha investigación en curso detrás de esto.
wiki oficial: http://cmusphinx.sourceforge.net/wiki/
tutorial de inicio rápido para Linux aquí: http://probing.wikidot.com/speech-recognition-using-sphinx3-and-python
Salida sciKits Talkbox: http://projects.scipy.org/scikits/wiki/Talkbox
tutoriales Unfortunutly están muy restringido: http://www.ar.media.kyoto-u.ac.jp/members/david/softwares/talkbox/talkbox_doc/intro.html
La tarea de separación de los altavoces no es una tarea de reconocimiento de voz, es una tarea de reconocimiento de hablante. En la comunidad del habla, esta tarea también se conoce como diarización del hablante. Hay varios paquetes para diarización altavoz y el reconocimiento del hablante disponibles para Python:
En caso de que no se limitan a Python, hay otros:
Speaker recognition setup in Kaldi. Incluye i-vectores basados en DNN de última generación.