这是一个说话人识别系统，特征是LPC倒谱系数，文件包含11个训练和测试语音素材，采样率为12.5kHz，用11个素材测试识别率可以达到100%，但是通过录音进行测试，有时候会出现错误。

Tensorflow声纹识别说话人识别

说话人识别 (Speaker Recognition，SR)和情感识别 (Speech Emotion Recognition) 1 说话人识别 1.1说话人识别概述 1.2 说话人识别基本原理 1.3应用领域及技术难点 2 语音情感识别 2.1情感的分类 2.2语音情感特征分析 2.3语音情感识别方法 2.4存在的问题

介绍了隐马尔可夫模型的基本原理以及在说话人识别中的实现,对文本相关与文本无关进行比对,得出文本相关的识别率要高的结论及原因。

:warning: 结帐分支以查看pyannote.audio 2.0 中的内容： 一个更小更干净的代码库 Python-first API（不过，旧的pyannote-audio CLI 仍然可用） 多 GPU 和 TPU 训练 使用数据增强 模特主持 音频注释的食谱 基于在线 使用pyannote-audio神经说话者分类 pyannote.audio是一个用 Python 编写的用于说话人分类的开源工具包。 基于机器学习框架，它提供了一组可训练的端到端神经构建块，可以组合和联合优化来构建说话人分类管道： pyannote.audio还带有涵盖了语音活动检测、说话人变化检测、重叠语音检测和说话人嵌入的广泛领域： 安装 pyannote.audio在 Linux 和 macOS 上仅支持 Python 3.7（或更高版本）。 它可能适用于 Windows，但没有任何保证，也没有任何计划添加对

go.m为主程序。 本算法是基于Mfcc和Gmm的说话人识别，test文件夹中的语音数据来自于实验室的陈蕴谷、梁建娟、胡业刚、熊可、颜小运的真实语音。 部分程序采用的是台湾张智星先生编写的sar和dcpr工具箱，在此表示感谢。

python包 sidekit的使用方法，包括各个函数的调用，参数的含义，样例等等

完整代码，可直接运行

基于MATLAB完成的说话人识别的完整代码，注释详细，程序可运行，内附readme文件，详细解释了如何运行。

基于VQ说话人识别 matlab编程，采用矢量量化等方法完成说话人识别