如何将音频识别算法的思考与阶段性小结转化为？

这篇文章酝酿了很久，一直没抽时间写。 在中秋，国庆来临之时，落笔。 写之前，先交代几件事情， 主要是 回复 给我发邮件以及QQ上询问的朋友们的一些疑问和需求，这里稍作回复一下。 1.关于 票据ocr预处理算法 相关算法细节已经开源。 项目地址： https://github.com/cpuimage/OcrPreprocessing 各位可以根据CPUImageLocalColorFilter算法思路，对应项目需求进行算法改写定制算法实现。 主要是基于颜色过滤的思路，只要确认具体需求， 提供的算法，可以解决绝大多数关于颜色叠加，干扰移除的问题。 由于思路比较简单，这里就不展开， 需要的阅读相关代码，理解一下。 2.关于音频指纹算法实现，已经开源。 项目地址： 基础: https://github.com/cpuimage/shazam 进阶: https://github.com/cpuimage/AudioFingerprinter 音频指纹最重要的是时序信息，改进的思路和方向有很多， 例如提取更加鲁棒性的特征或者增加特征维度等。 对音频指纹，哼唱搜歌感兴趣的，可以参阅实现。 3.关于音频采样算法 相关项目: 简易实现，便携可采用: 目前有两种简单插值实现，平时基本够用。 https://github.com/cpuimage/resampler 如有更高要求的，可以采用： https://github.com/cpuimage/speex_resampler https://github.com/cpuimage/WebRTC_Resampler https://github.com/cpuimage/FFTResampler 4.关于音频降噪算法 降噪算法可参阅项目： https://github.com/cpuimage/AudioDenoise https://github.com/cpuimage/WebRTC_NS https://github.com/cpuimage/rnnoise 由于有很多人询问rnnoise的训练方法和数据集。 算法实现细节见： https://people.xiph.org/~jm/demo/rnnoise/ 关于数据集问题，原作者已经开放下载了。 下载地址: https://people.xiph.org/~jm/demo/rnnoise/rnnoise_contributions.tar.gz 关于rnnoise采样率适配和训练问题: 参阅项目: https://github.com/GregorR/rnnoise-nu https://github.com/GregorR/rnnoise-models GregorR已经做了很多工作了，所以大多数问题，大家可以考虑联系他。 5.便携fft实现stb_fft开源，单头文件实现。 这个开源项目只是方便一些思路的验证和平时的测试使用。 不是性能最优实现，最优实现版本暂不开源。 项目地址: https://github.com/cpuimage/stb_fft 差不多就这么多， 以上，若是有不理解的地方，可以给我发邮件或QQ联系。 回到主题上，本人最近一直在研究音频识别的一个小分支——性别判断。 简而言之就是通过声音分析，判断 说话者的性别。 听起来好像很简单，但是做起来，才知道，路上好多坑。 总的来说，想要精准识别声音的性别，如果没有干扰是很简单的事情， 但是，有了干扰之后的问题就复杂多了。 我们先考虑一下，声音信息可能受到什么因素的干扰。 1.外界干扰，主要是噪声 例如：多人交谈(等非主体的声音)，软硬设备(网络，电压等抖动)，背景环境(室内室外) 2.说话者生物干扰音素 例如: 语速，音量，音高，当然还有生物问题 既发声器官的状态(年龄，感冒发炎等) 3.文化因素，发音风格，饮食环境下的声喉状态 4. 以上1+2+3 等多重情况叠加下的混合干扰 从以上提及的各个音素来看，理想很丰满，现实很骨感。 不管是asr识别还是声纹识别，还是其他音频方向的算法处理，毫无疑问，困难重重。 花了近6个月，踩了无数个小坑之后，在不处理噪声的干扰情况下， 对中国人的普通话，音频性别识别终于达到85%的准确率。 由于是先验算法，纯c不采用任何第三方库的干净算法实现， 可以随时调参优化算法，适配不同的情况。 没有采用深度学习的方案去做特征工程。 这里要说一下，为什么不用深度学习的方法， 以及使用深度学习方法的一些思考。