Closed dongzhenguo2016 closed 3 years ago
你好,
pre_process.py
, 那么该程序已经包含了去掉静音的操作了。我也想自己采集数据进行实验。初步想法是选定4男4女,录音20分钟/人。有几个问题想要向您进一步确认: 1.每个人录音的内容可以相同,也可以不同么? 2.训练集选择其中3男3女,测试集选择剩余的1男1女以及被选中训练集的1男1女,可以么? 3.录音完成后,我将音频全部切分为10秒片段,可以么?
pre_process.py
就会先把静音去掉,随后会切成大概1.6s的程度。这可以在 constants.py
里面的 TRUNCATE_SOUND_SECONDS
修改。 你可以看一下 pre_process.py
代码。我想进行测试时,可以得到这样的结果:测试一段语音,如果说话人在训练时出现过,就输出说话人姓名,如果说话人在训练时没出现过,就输出没出现过。所以如果想达到这样的效果,那么测试集中的人还是应该在训练集中出现一部分才对,这样才是声纹识别吧,请问学长为什么说测试集中的人不在训练集中出现?我不是太明白
你好, 你说的项目应该是speaker classification。 和我这个repo不太一样。 "如果说话人在训练时出现过,就输出说话人姓名,如果说话人在训练时没出现过,就输出没出现过"这个是分类问题,你可以训练分类模型,这个时候测试集中的人应该出现在训练集中。 但是我这个repo只是speaker embedding,最后输出512维的embedding,我们只是验证两段语音是否来自同一个人。也就是测试集上我取两个语音,分别得到这两个语音的embedding,然后查看这两个语音是否出自同一个人
学长你好!又打扰你,非常抱歉。 我现在能把学长的代码跑通了,现在我想采集我们实验室5个人的数据,让网络能学会去辨认这5个人。 1、有个问题就是我们需要用什么设备去录制语音吗? 2、我刚才用手机的录音机去录,得到的是.m4a格式的语音,是不是通过ffmpeg将.m4a格式再转化成.wav格式的语音呀? 3、train-clean-100中的语音都是英语,我们在制作自己的数据集的时候,需要说英文吗?还是说中文也可以。 4、我感觉train-clean-100中的语音,他们的说话音量都很稳定,感觉没什么噪音,我们在录制自己语音的时候,该怎么尽量克服呢? 5、train-clean-100中每个speaker的语音片段大概在110-130个左右,每个片段大概10秒左右,也有3秒的,我们在录制自己语音的时候,需要一段一段的录制呢?还是让每个人连续说上20分钟的话,我们再将这个长语音用什么工具切成一个一个的语音片段? 谢谢学长,万分感谢