中文语音识别硕士论文，自称识别率达到97%，你应该看看。是繁体中文的。

Mfcc+GMM实现训练性别检测器模型；女性识别率达到90%,男性达到82%； 我已经把数据集以及模型都放在一起，打包了！

通用汽车 Pyspark 中的高斯混合模型实现 GMM 算法将整个数据集建模为高斯分布的有限混合，每个分布由均值向量、协方差矩阵和混合权重进行参数化。 这里每个点属于每个集群的概率与集群统计信息一起计算。 pyspark 中 GMM 的这种分布式实现使用期望最大化算法估计参数，并且只考虑每个分量的对角协方差矩阵。 如何跑步 有两种方法可以运行此代码。 在您的 Python 程序中使用该库。 您可以通过调用函数 GMMModel.trainGMM(data,k,n_iter,ct) 来训练 GMM 模型，其中 data is an RDD(of dense or Sparse Vector), k is the number of components/clusters, n_iter is the number of iteration

原文：https://blog.csdn.net/qinglingLS/article/details/102926477 不是代码！不是代码！不是代码!代码在上文

基于语音的性别识别 基于语音的性别识别，使用： 免费的ST美国英语语料库数据集（SLR45） 梅尔频率倒谱系数（MFCC） 高斯混合模型（GMM） 数据集 可以在上找到免费的ST美国英语语料库数据集（SLR45） 。 它是提供的免费的美国英语语料库，其中包含10位说话者（5位女性和5位男性）的讲话。 每个说话者大约有350种话语。 理论 语音特征提取 此处使用梅尔频率倒谱系数（MFCC），因为它们可在说话者验证中提供最佳结果。 MFCC通常如下得出： 进行信号（窗口摘要）的傅立叶变换。 使用三角形重叠窗口，将以上获得的光谱的功率映射到mel刻度上。 记录每个梅尔频率下的功率对数。

GMM_Digital_Voice_Recognition 基于GMM与MFCC特征进行数字0-9的语音识别，GMM，MFCC，语音识别，中文数据，sklearn，scikit-learn，数字语音识别。 预安装 conda create -n GMM -c anaconda python=3.6 numpy pyaudio scipy #也可以使用pip conda activate GMM pip install -r requirements.txt 数据链接： ://pan.baidu.com/s/124TiAs8m7Ioa2_3dUrxGSg提取码：xsfe 以下命令假设下载

高斯混合模型聚类(Gaussian Mixture Mode，GMM)是一种概率式的聚类方法，它假定所有的数据样本x由k个混合多元高斯分布组合成的混合分布生成。 使用场景:用于平坦的结合结构，对密度估计很合适

使用说明在这里：https://blog.csdn.net/yj13811596648/article/details/88737623

这是一篇硕士毕业论文，关于声纹识别的，模型是用的gmm模型，工具用的是htk，应该说很有帮助

采用标准C语言实现：MFCC参数提取，K-means聚类，GMM建模及识别。