我在处理一些视频文件时需要做很多手工劳动，我想知道是否有办法可以使这项工作更轻松：

我想做的是拿一个视频文件（例如，硅谷的一集）并检测其中某个角色（即Erlich Bachman）说话的部分。我不太确定该如何进行，但这肯定会使我的工作轻松得多。

我猜想实现这个目标的方法可能是这样的：用Erlich的语音音频文件训练某种特殊的神经网络，然后使用ffmpeg对视频文件进行抽样，将样本通过神经网络运行，如果输出为正，则进行更精细的搜索以找到对话的确切开始/结束点。

回答：

我认为你可以使用LSTM，并逐一输入音频帧（或你称之为什么）。你不应该只用Erlich的语音音频文件来训练它。你实际上应该输入几集视频，每当Erlich说话时，将期望输出设置为1，当他/她不说话时，将期望输出设置为0。训练后，LSTM将输出一个介于0-1之间的值；值越高，Erlich说话的可能性就越大。

但请记住，你需要一个像样的训练集才能拥有一个表现良好的神经网络。加上开发所需的时间和精力，可能会超过你自己寻找Erlich说话部分所花费的时间。所以看看一些API：

这个看起来是你可能想要使用的东西。你应该谷歌Speaker Recognition，你会找到你需要的东西。