音声が人間の音声にどの程度似ているかを判断する

この問題への答えを探している間、このボードが見つけたので、この質問を Stack Overflowからクロスポストすることにしました。

私は、音声セグメントと人間の声の類似性を判定する方法を探しています。これは数値で表現されています。

私はかなり検索しましたが、私がこれまでに見つけたもの（詳細は下記）は、私が必要とするものに実際には合いません。

• 1つの方法は、音声認識ソフトウェアを使用して音声セグメントから単語を取得することです。ただし、この方法では、人間の発話に対する「類似した」音声を思い付くことができません。多くの場合、音声に単語があるかどうかを判断できますが、明確な単語がない場合、音声がそのような単語を持っていることを近くに伝えることはできません。
  例：CMU Sphinx、Dragonfly、SHoUT

• より有望な方法は、音声アクティビティ検出（VAD）と呼ばれます。ただし、これには同じ問題がある傾向があります。VADを使用するアルゴリズム/プログラムは、アクティビティのしきい値に達したかどうかを返すだけで、そのようなしきい値の前後に「類似性」値はありません。あるいは、多くの人は人間の音声との類似性ではなく、音量だけを探します。
  例：Speex、Listener、FreeSWITCH

何か案は？

この種の問題は通常、機械学習技術を使用して解決されます。

信号を20msまたは50msフレームのシーケンスに分解します。各フレームで特徴を抽出します。MFCCは一般にこの種のアプリケーションに適していますが、音声検出に固有の機能（4 Hzの変調エネルギー-これはおおよそ人々が話す速度であり、ゼロクロスレート）があります。

次に、音声のトレーニングセットを使用して、音声ではなく音声として手動でラベル付けし、フレーム機能で分類器（ガウス混合モデル、SVM ...）をトレーニングします。

これにより、ラベルのないフレームを音声/非音声クラスに分類できます。最後の手順は、たとえばHMMまたはメディアンフィルターのみを使用して、決定を平滑化することです（数百の音声フレームに囲まれた非音声として分類されるフレームは分類エラーである可能性が高い）。

いくつかの参照：

音声ドキュメントの堅牢な音声/音楽分類（Pinquier＆al） マルチメディアアプリケーション向けの音声/音楽識別（El-Maleh＆al） の機能の比較（Carey＆al）

それらが説明する機能と分類手法は、音声を検出する1クラスの問題にも関連することに注意してください（音声と他の何かを区別するのではなく）。この場合、1クラスSVMなどの1クラスモデリング手法を使用するか、音声データでトレーニングされたGMMから尤度スコアを「音声」尺度として取り出すことができます。

一方、あなたの問題がスピーチと他の何か（音楽など）を本当に区別している場合、このコンテンツ自体を識別するのではなく、同様のオーディオコンテンツ間の境界を検出することに焦点を当てた監視なしのアプローチを使用することもできます。