怎么分离两个人说话的语音音频，时长15-30分钟

qq_43618497 2025-01-10 18:00:01

说话人分离，可以写个程序，可以实现30分钟以内的电话音频，分离出来2个音频，分别都是30分钟的，只是一个是甲的声音，一个是乙的声音，甲的那个音频，里面乙的声音变成空白，同理乙的音频，甲的声音留着变空白，保住分离出来的音频都是30分钟，还是可以正常合并变成完整的音频的，报酬好说

...全文

28 回复打赏收藏转发到动态举报

写回复

回复

切换为时间正序

请发表友善的回复…

发表回复

我们提出了一个联合的“音频-视觉模型”（joint audio-visual model），用于从混合声音（如其他讲话者和背景噪音）中分离出单一的语音信号。仅使用音频作为输入来解决这个任务极其具有挑战性，并且不能将分离出的语音信号与视频中的讲话者关联起来。在这篇论文中，我们提出了一个基于深度网络的模型，它结合了视觉和听觉信号（incorporates both visual and auditory signals）来解决这个任务。

摘要和第一部分是介绍目前语音识别开源语音库的现状，包括英文和中文的，由此引出来THCHS-30语料库。都是一些无关痛痒的介绍，所以不做翻译了。以下是正式翻译： 2 THCHS-30的特点这部分我们介绍THCHS-30语音库。这个数据库是在2000-2001年记录的，第一个作者是Prof.Xiaoyan Zhu的一个研究生。这个语音库设计的目的是作为863数据库的补充，尽可能提高中文发音的涵盖率。这个新数据库叫TCMSD(清华大学连续普通话数据库），而且变得更加开放。。我们15年前发布了这个数据库

在一个通用的AI系统中，核心模型应该能够理解不同模态的信息。当前的大语言模型现在已经能够理解语言并进行推理，并且已经扩展到了更多的模态，包括视觉和音频。此前我们陆续发布了多个 Qwen 语言模型系列以及 Qwen-VL 和Qwen-Audio 等多模态模型。今天，我们正式发布 Qwen2-Audio。这是 Qwen-Audio 的下一代版本，它能够接受音频和文本输入，并生成文本输出。Qwen2-Audio 具有以下特点：语音聊天：用户可以使用语音向音频语言模型发出指令，

百度语音识别API 百度AI开发平台提供免费的语音识别API接口：百度智能云-管理中心注册后获得百度提供REST API和完整的SDK，其中REST API 仅支持整段语音识别的模式，即单段语音音频时长不超过60s；完整的SDK识别不限时长。本来想用linux-C+±SDK，下载：百度AI开放平台-全球领先的人工智能服务平台-百度AI开放平台但这个SDK只支持g++4.8和x64，无语了。...

java获取mp3格式音频时长。

6,116

社区成员

661

社区内容

发帖

与我相关

我的任务

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

欢迎来到Python学习者们的社区，

本社区分享你需要的文章、问题解答、技术互助、学习资源、面试系列等等

欢迎你的加入，祝你学有所成~

试试用AI创作助手写篇文章吧

+ 用AI写文章