训练集制作的日语特定角色语音分离与文本标注v1.0.0

项目介绍

本项目基于 讯飞sdk 进行二次开发，感谢sdk提供的服务！

功能

• 将含有说话人的音频从目标音频中分离
• 将说话人的音频进行语音转写
• 将说话人的音频进行声纹识别并标注与目标说话人的相似度
• 将识别度大于一定值的音频进行文本标注与转码
• 最后转码格式为1声道，44100采样率和1声道22050采样率的wav文件

前置需求

1. 需要环境安装ffmpeg
2. 需要讯飞语音转写服务api 并开通日语语种服务，请到 https://www.xfyun.cn/services/lfasr
3. 需要讯飞声纹识别服务api 请到 https://www.xfyun.cn/services/voiceprint-recognition

api文档

1. 声纹识别 https://www.xfyun.cn/doc/voiceservice/isv/API.html
2. 语音转写 https://www.xfyun.cn/doc/asr/lfasr/API.html

参数说明

//项目绝对地址
private final static String run_path="";
//ffmpeg绝对地址  例 "C:\ffmpeg-master-latest-win64-gpl\bin\ffmpeg.exe"
private final static String ffmpeg_path = "";
//语音转写api密匙
private static final String APP_ID = "xxx";
private static final String SECRET_KEY = "xxxxxxxxx";
//声纹识别api密匙
private static final String requestUrl = "https://xxxxxx";
private static final String APPID = "xxxxx";
private static final String apiSecret = "xxxxxxxx";
private static final String apiKey = "xxxxxxxxxxxxxxxxxxxxxxxxxxxx";
//是否已经创建过识别库
private static final boolean have_group=false;
//识别结果容错率 范围0.0f~1.0f,数值越低容错率越低。推荐0.75f
private final static float fault_tolerance=0.75f;

结果说明

private final static String handle_out_path=run_path+"path\\mp3_handle_mi\\";
//相似度储存文本
private final static String handle_text_mi=run_path+"path\\filelists\\handle_mi.txt";
//22050采样率文字标注结果存放文件
private final static String handle_text_ov_22050=run_path+"path\\filelists\\handle_ov_22050.txt";
//44100采样率文字标注结果存放文件
private final static String handle_text_ov_44100=run_path+"path\\filelists\\handle_ov_44100.txt";
private final static String handle_result_fan="path/mp3_handle_ov/";
//22050采样率音频结果存放目录
private final static String handle_result_wav_22050="path/mp3_handle_ov_to_wav22050/";
//44100采样率音频结果存放目录
private final static String handle_result_wav_44100="path/mp3_handle_ov_to_wav44100/";

输入说明

//音频特征文件存放目录
private final static String build_feature_file_path=run_path+"path\\build_feature\\";    
//待识别音频存放目录
private final static String handle_path=run_path+"path\\mp3_list\\";

输入要求

1. 音频特征文件格式要求 1声道 16000采样率 mp3 时长小于20秒 只包含目标说话人声音
2. 音频特征文件命名要求 从数字1开始自增排序,没有空格eg 1.mp3 2.mp3 ~xx.mp3
3. 待识别音频文件要求 1声道 44100采样率 mp3
4. 待识别音频文件命名要求 从数字1开始自增排序,没有空格 eg 1.mp3 2.mp3 ~xx.mp3

最后祝大家轻松取材，愉快炼丹。