使用 GMMs 进行语音性别检测--你的第一个语音识别小例子
翻译
原文地址：
!
从一个演讲语音样本中可以提取很多信息，例如，说话者是谁，说话者的性别是什么，
说话者说的是什么语言，说话者用什么情绪说了这个句子，说话者的人数等等。在机器学
习语音分析领域，性别检测可能是最基本的任务。这篇博客文章致力于用 " 实现从
语音中检测性别，从而进军语音处理领域。
数据集：（原始的要翻墙下载，下面的是 的下载链接）
第一部分：##$%&'(&(%(
第二部分：##$%&'(&(
训练语音集：是由 ) * 上的视频加工而来的，说话者是 ' 名不同的男性和 ' 名不
同的女性+ 分钟人,
测试语音集： 是从谷歌于 年发布的大型手工标注语料库“- ./中提取。该
子集由 ''& 个女性和 ' 个男性语音组成。所有音频文件的持续时间为 秒，采样
频率为 赫兹。（男女声音分开的，但是什么语言都有，什么国家的人都有，安
静的环境和嘈杂的环境也有，单人说话和多人说话的场景都有，什么年龄段都有，声
音大的也有，声音小的也有。）
我们将简单介绍一下如何处理语音信号。从训练数据中的语音信号中提取一种流行的
语音特征：0 倒谱系数+0122,。它们被认为是包含了性别信息的+以及其他信息,。这
两种性别模型是使用另一种著名的机器学习技术——高斯混合模型+00,建立的。00
算法把训练样本的 3 作为输入，并学习它们代表性别的分布情况。现在，当要检测一
个新的语音样本的性别时，首先提取样本的 0122，然后使用训练好的 00 模型计算两
个模型（男，女）的特征得分。将得分最大的模型预测为测试语音的性别。在概述了该方
法之后，本文的组织结构如下
使用语音分帧技术
提取 0122 特征
% 使用 00 训练性别模型
在测试集上评估模型
让我们开始吧！
一、使用语音分帧技术
语音信号就是一串表示说话人说话幅度的数字。在处理语音信号时，我们需要理
解
三个核心概念
、帧：由于语音是一种非平稳信号，其频率内容随时间不断变化。为了对信号
进行任何类型的分析，例如了解其短时间间隔内的频率内容 +称为信号的短期
傅里叶变换,，我们需要能够将其视为一个平稳信号。为了达到这种平稳性，
我们将语音信号分成 到 % 毫秒的短帧，因为我们的声道形状可以假设在
