该文实现了一个实时语音驱动的虚拟说话人面部动画方案。随着语音信号的输入，同步生成对应的面部动画。这种实时语音驱动的虚拟说话人在可视电话、虚拟会议，音视频聊天等即时通讯与娱乐媒体领域具有巨大的应用潜力。由于音素是最小的可分发音单元，因此构建音素识别器，对输入语音信号进行实时音素识别。这提高语音与口型的同步效果，改进了音素识别与输出算法。考虑协同发音影响，利用动态视素生成算法，奖识别得到的音素转化为对应的面部动画参数序列。最后用参数序列驱动按照Mpeg-4面部动画标准参数的3-d头部模型，实现面部动画的同步生成。主观Mos评测结果表明：本文所实现的实时语音驱动虚拟说话人在同步性和逼真度上的Mos评分分别达到了3.42和3.50。

端点检测 -预加重- fourier变换定义 -取成一维语音数据 -MFCC 神经网络部分-

使用PaddlePaddle实现声纹识别的预训练模型。 源码地址：https://github.com/yeyupiaoling/VoiceprintRecognition_PaddlePaddle

说话人识别的技术汇总图书，属于综述类文章的汇集成册

基于FisherVoice的说话人短说话人识别特征融合方法

说话人识别，有问题留言哦

说话人识别程序及代码下载

包括：1、通用背景稀疏编码和多层自举网络（UBSC-MBN）算法的matlab程序（matlab2016a），用于说话人识别，2、10个说话人的训练数据集。

android版本说话人性别识别以及声纹识别，对应博客https://blog.csdn.net/u012594175/article/details/89003815

近年来，随着社会生活水平的不断提高，人们对机器智能人声识别的要求越来越高。高斯混合—隐马尔可夫模型（Gaussian of mixture-hidden Markov model, GMM-HMM）是说话人识别研究领域中最重要的模型。由于该模型对大语音数据的建模能力不是很好，对噪声的顽健性也比较差，模型的发展遇到了瓶颈。为了解决该问题，研究者开始关注深度学习技术。引入了CNN深度学习模型研究连续语音说话人识别问题，并提出了CNN连续说话人识别（continuous speaker recognition of convolutional neural network, CSR-CNN）算法。模型提取固定长度、符合语序的语音片段，形成时间线上的有序语谱图，通过CNN提取特征序列，经过奖惩函数对特征序列组合进行连续测量。实验结果表明，CSR-CNN算法在连续—片段说话人识别领域取得了比GMM-HMM更好的识别效果。