音声アクティビティ検出用のライブラリ（音声認識ではない）

前回の質問のフォローアップとして、音声検出ライブラリが存在するかどうか疑問に思っていました。音声検出とは、音声バッファを渡し、音声の開始と停止のインデックスを取得することを意味します。したがって、44kHzで10秒間のオーディオサンプリングがある場合、次のような数値の配列が期待されます。

44000
88000
123000
190334
...

これは、たとえば、スピーチが1秒で始まり、2秒で終わることなどを示します。

私が探していないのは、話し言葉からテキストを書き出す音声認識です。残念ながら、これは「音声検出」をグーグルで検索したときによく見られるものです。

ライブラリがC、C ++、またはObjective-Cで作成されていれば、iPhone用のアプリを作成しているので素晴らしいことです。

ありがとう！

その質問に対する私の答えで、音声アクティビティ検出はG.729などのコーデックの標準機能であると述べました。

これを適用するアルゴリズムの参照エンコーダーとデコーダーを探す必要があります。

そのような例の1つは-http://www.voiceage.com/openinit_g729.phpです

別の可能なソースはSpeexコーデックです。VADを実装する

ところで：「音声検出」ではなく、「音声アクティビティ検出」または「トークスパート」をグーグル検索する必要があります。

SphinxおよびFreeswitchプロジェクトにはオープンソースの実装があります。それらはすべてエネルギーベースの検出器であり、いかなる種類のモデルも必要ないと思います。

Sphinx 4（Javaですが、C / C ++に簡単に移植できるはずです）

PocketSphinx

フリースイッチ

Stackoverflowの質問からの回答。

適応しきい値を使用した音声アクティビティ検出は、任意のプラットフォームに実装するのが非常に簡単で便利です

ここでは、適応エネルギーベースのアルゴリズムを使用できます

初めて計算するときの上記のアルゴリズムへの小さな追加は、エネルギーの平均を取り、Eminとしてマークするために行きます

これで、渡すフレームはサブフレームに分割され、さらに各サブフレームのアクティビティを調べることができます

オーバーラップしたフレームに関するさらなる問題を克服できます

LibVADはどうですか？

それはまさにあなたが説明していることのようです。

開示：私はLibVADの開発者です