我正在使用MARF(模块化音频识别框架)来识别说话者的声音。在这方面，我用人"A"的声音训练了MARF，并用人"B"的声音测试了MARF。使用--train training-samples进行培训使用--ident testing-samples/G.wav进行测试在我的speakers.txt文件中，我提到了两个人的语音样本，即A&B.
但我没有得到正确的响应，这意味着训练的声音和测试的声音都不同，但MARF给出了音频采样匹配。
我也浏览了这个链接。。
http://stackoverflow.com/questions/4837511/speaker-recognition
结果
Config: [SL: WAVE, PR: NORMALIZATION (100), FE: FFT (301), CL: EUCLIDEAN_DISTANCE (503), ID: -1]
Speaker's ID: 26
Speaker identified: G
或者我做错了，或者有其他的说话人识别方法吗。
编辑------------------------现在我正在使用vText，它可以很容易地使用。http://basic-signalprocessing.com/voiceRecognition.php按照这个链接和vText也使用MATLAB给出输出。
我得到了正确的频率-时域图，但我无法比较这两个语音样本。我收到错误
Exception: com.mathworks.toolbox.javabuilder.MWException: Error using ==> eq
Matrix dimensions must agree.
{??? Error using ==> eq
Matrix dimensions must agree.
Error in ==> recognizePartial10k at 10
}
任何知道这个的人
我想说的第一件事是，根据我的经验，使用FFT算法不会给你最好的结果：在MARF 中尝试LPC
第二：MARF假设人们称之为"闭集"的语音，这意味着即使系统不知道说话者，它也总是会返回结果->你必须根据距离阈值来决定响应的可能性。
此外，请确保滑动窗口(Hamming窗口)大小根据文件的采样率进行设置：例如，在22050 Hz的采样率下使用512个采样值的窗口会产生大约23毫秒的窗口。根据我的经验，这在500个扬声器的数据集上返回了最佳结果。
由于22050 Hz意味着每秒有很多样本，因此对于任何采样率，都很容易找到25 ms左右的所需长度：采样率/1000*25
请注意，MARF中使用的FFT算法需要一个正好为2(256/512/1024/…)幂的窗口
但这对LPC算法来说是不需要的(尽管对处理器来说可能效率稍高，因为它只知道2的幂：-)
哈，别忘了，如果你使用立体声文件，窗口的长度是原来的两倍。。。但我建议使用单声道文件：使用多声道文件进行语音处理没有任何附加值，它更长，精度更低。
一个关于采样率的词：选择的采样率应该是你感兴趣的最高频率的两倍。通常，人们认为语音的最高频率是4000Hz，因此选择8000Hz的采样率。请注意，这并不完全正确："s"one_answers"sh"的声音频率更高。的确，你不需要这些频率来理解说话者在说什么，但在提取声纹时，使用更宽的频谱可能会很有用。我更喜欢22050Hz。有些语音密码包不允许你低于11000赫兹。
位深度字：8位对16位虽然采样率是关于时间的精度，但比特深度与幅度的精度有关。8位提供256个值16位提供65536个值
不用说为什么你应该使用16位的声音生物测量：-)
作为参考，音频CD使用44100Hz/16位
关于vText：正如我之前告诉你的，傅立叶变换(FFT)在大型数据集上不可用。它缺乏精确性。
在这里，将计算委派给MathLab时似乎出现了问题。没有代码，imho，几乎不可能给你更多的信息。
不要犹豫，请澄清我所说的话，我可能会认为有些事情是理所当然的，但没有意识到这并不那么清楚：-)
FWIW，我刚刚用Java编写了一个名为Recognito的说话人识别工具，我相信它在识别能力方面并不比MARF好多少，但它在最初的步骤中对用户来说肯定更容易，使用的许可模型不需要你的软件是开源的，支持多个并发线程的调用。
如果您想给Recognito注射：https://github.com/amaurycrickx/recognito