「AUDIO」 语音识别需求汇总

1. 1：1 的身份认证以及 1：n 的身份识别

不限文本、不限语种的情况下，包括各种方言；其中 n 可能为几万；

2. 判断音频中有几个人在说话

1） 只需要判断人数，不需要知道他们分别在什么时间说话（number of speakers)
一个简单的分类器即可，类似多人的 vocal activity detection (VAD)；
2） 判断人数并且知道他们说话的时间点（speaker diarization）
大多基于说话人的i-vector或某些能体现说话人信息的特征；
3） 判断人数并且分离每个人的说话声（multi-talker separation）
在单通道情况一般3人及以下的音频里，分离效果已经不错了，并且新的系统已经能够通过判断有几个人来调整输出（比如只有2个人说话，那么3个输出里有1个输出会是静音；

场景因素： 1） 近场或者远场； 2） 单通道或者多通道；

先验因素： 1） 只要求判断事先知道的某些说话人（speaker dependent）；
2） 对任意说话人都要能判断（speaker independent）；
3） 说话人之间的重叠（overlap）长度；

3. 说话人辨认

Speaker Identification：用以判断某段语音是若干人中的哪一个所说的，是“多选一”问题；

4. 说话人确认

Speaker Verification：用以确认某段语音是否是指定的某个人所说的，是“一对一判别”问题；

5. 医学对话理解

understanding medical conversations

6. 视频字幕

video captioning