好的，所以我编写了一个非常简单的 python 代码来读取 wav 文件，获取 mfcc 功能，然后对这些功能使用 kmeans 聚类。hello.wav 文件有两个不同的人同时打招呼，我想输出两个不同的声音
from python_speech_features import mfcc
from scipy.io import wavfile
from sklearn.cluster import KMeans
sampfreq, data = wavfile.read('hello.wav')
mfcc_feat = mfcc(data,sampfreq)
kmeans = KMeans(n_clusters=2)
kmeans.fit(mfcc_feat)
print(kmeans.cluster_centers_)
print(kmeans.labels_)
现在我得到了标签和聚类中心，但是如何使用它取回两个单独的声音样本？
您正在尝试做的是盲源分离，不幸的是它并没有那么容易。当您从混合了声音的音频文件中提取 MFCC 时，MFCC 集群不会代表两个人。对于分离，您应该最终得到两个具有相同数量样本的声音信号。例如，MFCC 用作说话人识别任务的特征空间，但通常不用于分离。有关 BSS 的更多数学背景，您可以访问：https ://arxiv.org/pdf/1603.03089.pdf
最简单的情况是所谓的鸡尾酒会问题，在这种情况下，麦克风的数量至少与人一样多，并且混合必须是瞬时的（信号之间没有延迟，只有路径损耗引起的衰减）。这个非常简单的案例可以通过 FastICA 算法应用独立分量分析来解决：http: //scikit-learn.org/stable/auto_examples/decomposition/plot_ica_blind_source_separation.html
对于延迟混合，您可以尝试 DUET 算法：https ://pdfs.semanticscholar.org/1413/746141f2871e0f45056a7696e019b8f8a100.pdf
对于卷积混合和未确定的问题（扬声器多于麦克风），这种基于 PARAFAC 的算法性能非常好： http: //people.ece.umn.edu/~nikos/05233821.pdf