确定音频与人类语音的相似程度

在寻找这个问题的答案时，我发现这个董事会决定从Stack Overflow 交叉发布我的这个问题。

我正在寻找一种确定音频片段和人类语音之间相似性的方法，该相似性以数字表示。

我已经搜索了很多，但是到目前为止（以下详细介绍）我发现的内容并不完全符合我的需要：

• 一种方法是使用语音识别软件从音频片段中获取单词。但是，这种方法无法提出与人类语音“相似”的音频。它通常可以判断音频中是否有单词，但是如果没有确定的单词，就无法判断音频是否包含这些单词。
  示例：CMU狮身人面像，蜻蜓，SHoUT

• 更有希望的方法称为语音活动检测（VAD）。但是，这往往会有相同的问题：使用VAD的算法/程序倾向于仅返回是否已达到活动阈值，并且在该阈值之前或之后都没有“相似性”值。另外，许多人只是在寻找音量，而不是与人类语音相似。
  示例：Speex，Listener，FreeSWITCH

有任何想法吗？

通常使用机器学习技术解决此类问题。

将信号分解为20ms或50ms的帧序列。提取每个帧上的特征。MFCC通常对此类应用有好处，尽管它具有语音检测所特有的功能（4 Hz调制能量-大约是人们说话的速率；零交叉速率）。

然后，使用您已手动标记为语音/非语音的训练音频集，在帧特征上训练分类器（高斯混合模型，SVM ...）。

这将允许您将未标记的帧分类为语音/非语音类。最后一步在于平滑决策（例如，使用HMM或仅使用中值滤波器，将分类为无语音的帧（数百个语音帧所包围的帧很可能是分类错误））。

一些参考：

音频文档中可靠的语音/音乐分类（Pinquier等） 多媒体应用中的语音/音乐鉴别（El- Maleh等）语音/音乐鉴别功能的比较（Carey等）

请注意，它们描述的功能和分类技术也与检测语音的一类问题（而不是区分语音或其他）相关。在这种情况下，您可以使用1类建模技术（例如1类SVM），或者仅将针对语音数据训练的GMM中的似然度得分作为“语音”度量。

另一方面，如果您的问题是真正区分语音与其他内容（例如音乐），那么您也可以很好地使用无监督方法，这些方法专注于检测相似音频内容之间的边界，而不是识别此内容本身。