目录

一、任务背景和分析

二、特征抽取

librosa

wave

torchaudio

三、数据集

commonvoice [ 中文]

四、模型训练

1、频域信号+LSTM+2DCNN

2、频域信号+2DCNN

3、时域信号+1DCNN

---

一、任务背景和分析

        公司有项目需求，需要识别语音信号是男女性别以及是否是彩铃等。之前一直是做文本相关的NLP相关项目，为此也开始慢慢涉足语音领域了。语音领域和文本NLP领域是不一样的，我猜测——目前语音领域相关的预训练模型还不成熟，端到端的方案还不足以满足商用的需求，比如ASR或者SST语音自动识别的方案HUBERT和wav2vec等——否则大家都开始使用起来了，目前应该是采用一些比较传统的方案。

ASR任务目前对我们公司来说，自研还是非常困难的，就直接使用生态伙伴科大讯飞的算法；项目需求区分男女声和彩铃的声音，其实这个任务还是比较简单的，并没有语音识别或者声纹识别中那么复杂。在数据质量和场景简单的情况下，应该能取得不错的效果。

语音信号是时域信号，目前基于时域信息对语音进行分析的貌似不是特别多，没有比较好的模型直接提取到合适的特征；一般而言都是通过传统的信号处理方案来做的，把语音时域信号转化为时域信号后就能得到很多特征，比如：MFCC、Fbank、bark谱、基频、能量幅度、短时过零率之类的——详见语音特征小结。

区分男女性别以及彩铃信号这样的任务，主要的关键点在哪里呢？主要能找到区分它们三者的特征，就可以使用深度学习的模型或者机器学习的模型，或者直接使用规则来做。需要找到什么样的特征呢？

 录了自己和女同事的音频，得到时序和频谱图(上图女，下图男)。感觉就从频谱图上直接看，还是看不出来的。一般而言男女声音的音高也就是频率是不一样的，但是也有重叠的部分；同时彩铃一般含有音乐的声音，它和人说话也有很大不同，音色不同，这个感觉在数理上反映也是频率的不同——据个人不完全理解这里的不同应该就是频率的分布不一样了，所以具体什么样的特征能区分开来也不是十分清楚的。那这个时候就得想到了深度学习的方案了，让模型自己去抽取相应的特征，也不需要管什么频率具体的分布，谱质心、谱对比度、基音周期等等特征，直接抽取语音信号的Fbank、Mfcc等特征，它们具体的区别，我不是专业的不清楚——知乎高赞问答解释如下语音信号提取声学特征时，MFCC和PLP的区别是什么？，喂入模型中即可！

另一方面这是一个简单的分类任务，它们3个类直接本来就存在天然的差异，也不需要太复杂的模型，应该就能搞定。

所以基本的方案就是

1、抽取Mfcc或者Fbank特征

2、Mfcc或者Fbank特征喂入模型(CNN/Lstm/LSTM+CNN)

3、分类得出结果。

当然也可以采用语音领域的预训练方案，wvNet或者wav2Vec这样的预训练+finetune的方案，这个方案比较新还没来得及学习，后续会学习，然后验证。

二、特征抽取

librosa

由于librosa库提供的特征提取API比较丰富，便选择了该库进行Mfcc和Fbank的提取。这里没啥好聊的，原理部分mfcc和fbank计算过程比较复杂详见——语音信号处理之（四）梅尔频率倒谱系数（MFCC）和语音识别特征处理(MFCC,Fbank,PNCC)

，而我就当个调包侠吧(原理部分就多去看几遍吧)。主要对提取特征的API的一些参数和遇到的坑进行一些总结吧

librosa.load(wav_path, sr=sr)——音频文件加载

把字节流的音频文件加载为基于sr抽样率的采样点数据，浮点数float32，numpy.array

注意点，mp3格式的文件需要调用其他的库，需要pip install；sr不设置会已默认的sr=22050

librosa.util.frame(wav, frame_length=frame_length, hop_length=hop_length)——分帧

设置帧长和帧移，这不是时间单位，而是采样点个数。比如采样率16000，1s内采样16000个数据点；frame_length 30ms应该就是480个采样点frame_length=480

fbank = librosa.feature.melspectrogram(y=wav, sr=sr, n_fft=frame_length, hop_length=hop_length, center=False,n_mels=128) fbank = fbank.T fbank = librosa.power_to_db(fbank)——梅尔频谱

n_fft短时傅里叶窗口长度，和帧长是一致的；n_mels采用多少个mel滤波器，最后得到的特征就是多少维度的；center参数需要进入源码去看，如果为True，表示音频会做padding，会使得帧D[:, t]的中心为信号  y[t * hop_length]；而center=False的时候，不采用padding；要使得分帧后抽取特征再把特征cat起来和不分帧直接抽取特征的结果一致的话，就得采用center=False。

librosa.feature.mfcc(y=wav, sr=sr, n_mfcc=13, n_fft=frame_length, hop_length=hop_length, center = False, win_length = frame_length)——mel倒谱系数

librosa.feature.spectral_centroid(y=wav, sr=sr, n_fft=frame_length, hop_length=hop_length,center = False)——频谱中心

librosa.feature.spectral_contrast(y=wav, sr=sr, n_fft=frame_length, hop_length=hop_length, n_bands=4,center = False)——频谱对比度

librosa.core.piptrack(y=wav, sr=sr, S=None, n_fft=frame_length, hop_length=hop_length,center = False)

wave

读取语音的字节流和librosa中提取特征的不同

def read_wave(path):
    """Reads a .wav file.
    Takes the path, and returns (PCM audio data, sample rate).
    """
    with contextlib.closing(wave.open(path, 'rb')) as wf:
        num_channels = wf.getnchannels()
        assert num_channels == 1
        sample_width = wf.getsampwidth()
        assert sample_width == 2
        sample_rate = wf.getframerate()
        assert sample_rate in (8000, 16000, 32000, 48000)
        pcm_data = wf.readframes(wf.getnframes())
       
        params = wf.getparams()
        nchannels, sampwidth, framerate, nframes = params[:4]

        return pcm_data, sample_rate

wave读出来的是16bit的字节流，pcm编码数据，形如：

 一般而言，采样率sr = 16000的话，1s音频采样数据点就为16000个，而得到的pcm字节流就是32000个。这个时候需要分别存储模型是小端模式还是大端模式，可以把16bit的byte转化为int型和float型，神经网络中需要处理float32型数据。处理就是把2个长度的byte传化为1个int或者float:

#把bytes转化为int
for k in range(0,int(len(frame_byte)/2)):
     pcmInt.append(int.from_bytes(frame_byte[k * 2:k * 2 + 2], byteorder='little', signed=True))
# 再转化为float32
feature = np.array(pcmInt)/0x7fff

使用struct.unpack()转化——把16进制的2个byte字节流转化为float

pcmFloat = []
for k in range(0, int(len(frame_byte) / 2)):
    pcmFloat.append(struct.unpack('h', frame_byte[index * 2:index * 2 + 2])[0] / ((2 ** 15) - 1))

最后一种直接把一长串的16进制字节流转化为short int型，然后再做除法，得到最后的float32型数据np.frombuffer()：

feature = np.frombuffer(frame_byte, ctypes.c_short)/0x7fff

以上3中方法，其中最后一种最好，CPU占用最少。

torchaudio

torchaudio 支持以 wav 和 mp3 格式加载声音文件

metadata = torchaudio.info(SAMPLE_WAV_PATH)//查看音频信息
waveform, sample_rate = torchaudio.load(SAMPLE_WAV_SPEECH_PATH)//加载音频返回的是张量
torchaudio提供了Spectrogram,MelSpectrogram,MFCC等特征的提取
specgram = torchaudio.transforms.Spectrogram()(waveform)
specgram = torchaudio.transforms.MelSpectrogram()(waveform)

三、数据集

由于是前期预研，验证方案的可行性，数据集采用了公共数据集

commonvoice [ 中文]

四、模型训练

1、频域信号+LSTM+2DCNN

尝试的特征分为频域信号的MFCC和Fbank；模型层面首先采用的是LSTM和二维卷积以及残差二维卷积网络的组合。测试出来后的效果还可以，这里采用二维卷积网络的原因就是直接凭直觉把一帧一帧的语音信号，组合为一个语音图像，就类似图像分类，所以采用了这个网络。

简单的看看具体的流程：

MFCC

语音信号——》分帧——》过VAD——》判定is_speech,并用循环链表判定人声起始和结束点——》合并所有的frames注意去掉重复的——》librosa抽取各种特征包含{mffc、基音周期、谱质心和谱对比度}——》lstm+ nn.Linear

• Fbank+CNN+resCNN+RNN(LSTM)

FBank

语音信号——》分帧——》过VAD——》判定is_speech,并用循环链表判定人声起始和结束点——》合并所有的frames注意去掉重复的——》librosa抽取各种特征包含{Fbank、基音周期、谱质心和谱对比度}——》lstm+ nn.Linear

• Fbank+CNN+resCNN+RNN(LSTM)

以上方案的准确率有细微差别，大致在下面数据附近，当然也和采用的帧数有关

Test_acc:0.943867 Test_recal:0.857778 Test_f1:0.826552

模型代码如下：

class GenderRecogiCnnLstmModel(nn.Module):
    def __init__(self,n_class=2,rescnn_layers = 1,rnn_layers = 1,n_feats=128,dropout=0.1):
        super(GenderRecogiCnnLstmModel,self).__init__()
        self.cnn = nn.Conv2d(in_channels=1,out_channels=4,kernel_size=3,stride=1,padding=3//2)
        # n residual cnn layers with filter size of 32
        self.rescnn_layers = nn.Sequential(*[
            Residual2DCNN(4, 4, kernel=3, stride=1, dropout=dropout, n_feats=n_feats)
            for _ in range(rescnn_layers)
        ])
        self.rnn_layers = nn.Sequential(
            *[  nn.LSTM(input_size=n_feats if i==0 else n_feats*2,hidden_size=n_feats,batch_first=True,bidirectional=True)
                for i in range(rnn_layers)
            ]
        )
        self.classifier = nn.Sequential(
            nn.Linear(n_feats * 2, n_feats),  # birnn returns rnn_dim*2
            nn.GELU(),
            nn.Dropout(dropout),
            nn.Linear(n_feats, n_class)
        )

    def forward(self,embeddings,mask):
        # embeddings [B,L,D]
        x = embeddings.unsqueeze(1).permute(0,1,3,2)# [B,1,D,L]
        x = self.cnn(x) #[]
        x = self.rescnn_layers(x)
        x = x.view(x.shape[0],-1,x.shape[-2])
        x,_ = self.rnn_layers(x)
        # x = self.pooling(x, mask)
        x = torch.mean(x,dim=1)
        out = self.classifier(x)
        out = torch.softmax(out, dim=-1)
        return out


    def pooling(self,embedding,mask):
        embedding_mask = mask.unsqueeze(-1).expand(embedding.size()).float()
        t = embedding * embedding_mask
        sum_embeddings = torch.sum(t,dim=1)

        sum_mask = embedding_mask.sum(dim=1)

        # 限定每个元素的最小值是1e-9，保证分母不为0
        sum_mask = torch.clamp(sum_mask, min=1e-9)

        # output_vectors = []
        # output_vectors.append(sum_embeddings / sum_mask)
        #
        # output_vectors = torch.cat(output_vectors, 1)

        output_vectors = sum_embeddings / sum_mask

        return output_vectors
class Residual2DCNN(nn.Module):
    """Residual CNN inspired by https://arxiv.org/pdf/1603.05027.pdf
            except with layer norm instead of batch norm
        """
    def __init__(self, in_channels, out_channels, kernel, stride, dropout, n_feats):
        super(Residual2DCNN, self).__init__()
        self.cnn1 = nn.Conv2d(in_channels, out_channels, kernel, stride, padding=kernel // 2)
        self.cnn2 = nn.Conv2d(out_channels, out_channels, kernel, stride, padding=kernel // 2)
        self.dropout1 = nn.Dropout(dropout)
        self.dropout2 = nn.Dropout(dropout)
        self.layer_norm1 = CNNLayerNorm(n_feats)
        self.layer_norm2 = CNNLayerNorm(n_feats)

    def forward(self, x):
        residual = x  # (batch, channel, feature, time)
        x = self.layer_norm1(x)
        x = F.gelu(x)
        x = self.dropout1(x)
        x = self.cnn1(x)
        x = self.layer_norm2(x)
        x = F.gelu(x)
        x = self.dropout2(x)
        x = self.cnn2(x)
        x += residual
        return x  # (batch, channel, feature, time)

class CNNLayerNorm(nn.Module):
    """Layer normalization built for cnns input"""

    def __init__(self, n_feats):
        super(CNNLayerNorm, self).__init__()
        self.layer_norm = nn.LayerNorm(n_feats)

    def forward(self, x):
        # x (batch, channel, feature, time)
        x = x.transpose(2, 3).contiguous()  # (batch, channel, time, feature)
        x = self.layer_norm(x)
        return x.transpose(2, 3).contiguous()  # (batch, channel, feature, time)

2、频域信号+2DCNN

由于上述方案中的模型比较复杂，训练和推理速度有点慢，又尝试了一维卷积+残差卷积的组合，不采用lstm。

• Fbank+CNN+resCNN
• 当然语音信号的前期处理，分帧VAD等操作都是需要的，另外一个就是调整帧数，到底需要采取多少帧，这个和线上业务以及性能要求有关系。

• Test_acc:0.944560 Test_recal:0.937778 Test_f1:0.840637

模型代码如下：

class GenderReco1DCnnModel(nn.Module):
    def __init__(self,n_class=2,n_feats=128,dropout=0.2):
        super(GenderReco1DCnnModel,self).__init__()
        self.layerNorm = nn.LayerNorm(n_feats)
        self.cnn = nn.Sequential(
            nn.Conv1d(in_channels=n_feats,out_channels=64,kernel_size=8,stride=4,padding=2),
            nn.ReLU(),
            nn.Conv1d(in_channels=64,out_channels=32,kernel_size=4,stride=2,padding=2),
            nn.ReLU(),
            nn.Conv1d(in_channels=32, out_channels=16, kernel_size=2, stride=1,padding=2),
            nn.ReLU(),
        )

    def forward(self,embeddings,mask):

        x = embeddings[:, 0:100, :]  # embeddings [B,n,D]
        x = self.layerNorm(x)
        x = x.permute(0,2,1)
        x = self.cnn(x)  # []

        x = x.view(x.shape[0],-1,x.shape[1])
        x = torch.mean(x, dim=1)


        out = self.classifier(x)
        out = torch.softmax(out, dim=-1)

        return out

3、时域信号+1DCNN

实验的过程中发现，在上线的过程中，语音信号是流式的传输且需要单机支持并发5000路，在提取MFCC或者Fbank特征的时候CPU瓶颈是支持不了的。方案应该采取消耗资源更低的提取特征的方案，可以尝试时域信号，也就是直接把语音信号波形图经过处理后作为模型输入，同样是需要对信号进行分帧，vad检测等。分帧以后，可以把一帧一帧看做一个语音单位，那么就有点类型TextCNN的情形，可以借鉴一维卷积网络来做。

• 时域信号+CNN+resCNN(一维卷积)

模型网络很简单，如下

class GenderRecoTimeDomainVoiceModel(nn.Module):
    def __init__(self, n_class=2, rescnn_layers=10, n_feats=128, dropout=0.1):
        super(GenderRecoTimeDomainVoiceModel, self).__init__()
        self.layerNorm = nn.LayerNorm(n_feats)
        self.cnn = nn.Conv1d(in_channels=n_feats,out_channels=64,kernel_size=8,stride=4,padding=2)
        # n residual cnn layers with filter size of 32
        self.rescnn_layers = nn.Sequential(*[
            Residual1DCNN(64, 64, kernel=3, stride=1, dropout=dropout, n_feats=25)
            for _ in range(rescnn_layers)
        ])
        self.classifier = nn.Sequential(
            nn.Linear(64, 64),  # birnn returns rnn_dim*2
            nn.GELU(),
            nn.Dropout(dropout),
            nn.Linear(64, n_class)
        )

    def forward(self, embeddings):
        # embeddings [B,L,D]
        x = embeddings[:, 0:100, :]  # embeddings [B,n,D]
        x = x.view(x.shape[0],-1,480)
        x = self.layerNorm(x)
        x = x.permute(0, 2, 1)
        x = self.cnn(x)  # []
        x = self.rescnn_layers(x)
        x = x.permute(0, 2, 1)
        x = torch.mean(x, dim=1)
        out = self.classifier(x)
        return out

最后的结果

 基本满足上线准确率需求，同时这个方案，经过工程化的优化，已经实现了单机5000路的并发。

以上就是本人第一个语音项目的探索，很简单，学习到了一定的语音领域的知识，后面再接再厉，好好学习ASR和TTS相关知识，争取成为NLP和语音算法工程师！

人的性别有五种

我们有关性别的观念需要更新，人的性别不只是男女两种，它起码有五种：男性、偏男性、两性人、偏女性、女性。

我们通常认为基因决定了性别，事实果真如此吗？如果某人认为自己是个女性，其外表看上去也酷似女性,且行为举止女性化,具有女性的外部生殖器官,但其体内却没有ＸＸ 染色体和卵巢，相反却具有ＸＹ 染色体和内部睾丸，那么此人究竟是男性还是女性？

１９６８年以来的３０余年间，国际奥林匹克委员会对所有参赛女运动员的染色体进行了检查，查看她们中是否有人含有Ｙ 染色体却参加了女子比赛。据说有Ｙ 染色体的运动员比普通女性在比赛里更具优势。据统计，在每次比赛里，每４００名女运动员中就有１人含有Ｙ 染色体。国际奥委会已于１９９９年停止染色体检查，因为基因学家和医生们多年来一直对此问题争论不休，他们认为具有ＸＹ 染色体并不等于男性。

医学上也将性器官作为区别男女性别的重要方法。如果一个人的染色体、身体结构和社会学习环境都指向同一个性别方向（不论是男性，还是女性）,那么他（她)就会在无意识中形成自己的性别意识。目前人们普遍接受的两性模式为：男性具有ＸＹ 染色体、雄性激素、输精管和阴茎；女性具有ＸＸ 染色体、子宫、雌性激素、输卵管、乳房和阴道。但这实际上并不绝对正确。

如果一个孩子在出生时的性别较为模糊，医生和家长很快便会决定确定孩子的性别，但是不论做出哪种选择，通常都需要进行外科手术、激素治疗和心理治疗。现在，越来越多的具有两性特征的人批评这类手术是对人的伤害，要求社会对性别重新定义。北美兼有两性特征者协会已经建立了用因特网连结起来的全国性组织，他们要求取消对两性人进行外科手术，增强公众对两性人存在的意识和对他们宽容的社会环境。

通向性发育之路

人类胚胎的生长发育，就像一辆汽车沿着性发育的道路前进，直至成为一名女性，但是在这条成长道路上有５个性别转换路口，它们会发出性别转换信号，让胚胎转向男性发育道路。

在胚胎中既有成为男性所需的因素，也有成为女性的因素，染色体会发出信号，决定生殖腺最终变成睾丸或卵巢。新形成的生殖腺会发出激素信号，决定连结性器官的管道（我们称之为输送系统）是发育成输精管还是输卵管。生殖腺激素信号也决定着外部性器官细胞是发育成阴茎、前列腺和阴囊，还是阴蒂、阴道和阴唇。性别特征的混乱可能是由于转变信号发出的时机不当造成的。

胚胎形成６周后，开始接近第一个性确定关口。根据人类目前掌握的知识，Ｙ 染色体是做出性别决定的关键，它能够导致胚胎向男性方向发育。向男性方向发育的胚胎在第８或第９周时到达了第二个性别关口，此时，生殖腺组织生长发育成睾丸。当睾丸开始分泌激素时，第三个性别关口便到来了。胚胎要想继续发育成正常男性，睾丸必须产生足够数量的雄性激素（包括睾丸激素），同时激素受体必须接受这些雄性激素。雄性激素是以后性发育过程中最重要的信号。

睾丸分泌的雄性激素使胚胎以更快的速度向着第四和第五关口发育。雄性激素产生大约一周后，胚胎也就发育到了第四关口。此时，雄性激素刺激输精管的输送系统生长发育成附睾、输精管等。大约１０周后，胚胎到达第五个关口，男性外部生殖器官也就开始形成了，雄性激素的出现刺激了阴茎、阴囊和尿道等从未分异细胞里逐渐形成。男性发育过程中的任何差错，如性别基因的缺陷、雄性激素数量不足、雄性激素的接收错误等都会导致胚胎发育转向女性方向，从而导致混合性器官的出现。

正常的女性发育始自ＸＸ染色体的形成出现，那大约是在胚胎发育８周后。胚胎进入女性发育道路，生殖腺组织变成了卵巢，卵巢产生雌性激素,１０周后,在没有雄性激素作用的情况下，输卵管便形成了。子宫、上阴道、子宫颈、阴唇、阴蒂、阴道、尿道等内外性器官也随之形成了。

染色体的混乱

正常男性染色体若多出一个Ｘ 染色体，将会导致克兰费尔特氏综合症（ＸＸＹ）。这类人由于既携带男性染色体，又携带女性染色体，因此拥有男性内部生殖器官和外部生殖器官，但是睾丸和阴茎却没有在青春期发育充分。该病常见的特点是腿部较长，睾丸和阴茎很小，嗓音尖细，没有胡须、阴毛、体毛。具有这种综合症的人通常像正常男人一样生活，但需要接收雄性激素，并且他们向异性变化的可能性仍然很大，而那些像女性一样生活的人，也同样得接受雌性激素。

如果父母只将一个Ｘ 染色体遗传给胚胎，就会产生特纳氏综合症（ＸＯ）。由于这些人只有一个Ｘ染色体而没有Ｙ 染色体，因此她们具有女性特征，像女性一样生活。她们的身材较矮，没有喉结，月经很少，卵巢发育不全，没有体毛，外部性器官发育不全，有些人甚至没有乳房。如果这种疾病发现得早，并随之用雌性激素进行治疗，那么这些人的外部发育会得到极大改变，可以像正常的女性一样生活。

其他类型的染色体反常现象不会产生严重问题，例如具有ＸＹＹ 染色体的人通常会长得很高，并产生粉刺,这个多出的Ｙ 染色体究竟会产生什么样的影响,目前仍存有争议。一些研究结果发现,具有ＸＹＹ染色体的人犯罪率较高,这个多出的Ｙ 染色体与人的过激性行为之间究竟有无关系，目前尚无定论。

具有ＸＸＸ染色体也大有人在，但不会有太严重的后果，这些妇女甚至根本不知道她们的细胞里还多带了一个Ｘ。

雌雄间性

性别紊乱主要有三种不同类型的情况，其主要原因是由于在性别发育的五大关口上出现一种或多种交叉信号，染色体的主要构成情况如下：ＸＸＹ、ＸＯ、ＸＹＹ、ＸＸＸ。

I型雌雄间性（也称做女性两性化）具有卵巢，但其内外性器官却是两性的混合体。所有该类型的人都具有ＸＸ染色体、卵巢和输卵管，医生们通常采用外科手术使其外部性器官变成女性器官。这类人通常被当成女孩子抚养长大，她们绝大多数能够通过外部帮助成为真正的女性。

一切非标准的内外性器官混生现象，只要有腹部的睾丸系统出现，被称为II型雌雄间性（也称为男性两性化），其产生的原因多种多样，一般来说是由于男性胚胎的缺陷造成的，而这一缺陷又主要是由于雄性激素合成和雄性激素接收方面存在缺陷造成的，这类患者大多具有ＸＹ 染色体构成。

II型雌雄间性有一种特有的形式,我们称之为雄性激素不灵敏综合症,或称外生殖器女性化。据统计，患有这类疾病的人的比率大约在1/2000人～1/65000人之间。这类患者具有ＸＹ 染色体，有产生雄性激素的睾丸，但是由于他们的基因有缺陷，或是基因突变，从而使他们无法对雄性激素产生反应，接收不到雄性激素。因此最终产生了子宫和女性输卵管，并发育出较短小的阴道。

虽然从外部来看，这类患者完全像个女性，但她们在青春期不会有阴毛生成，也无法产生月经，她们被当做女性抚养长大,医生通常通过手术摘除其内部睾丸,加长阴道，从而使她们能够进行正常的性生活。

III型雌雄间性是最罕见的，被人们称做真正的雌雄同体。患者既可能具有ＸＸ 染色体，也可能具有ＸＹ 染色体。人们目前对此类性别紊乱的原因知之甚少，只是猜测其成因可能是由于性染色体基因突变造成的。

仅有两性就足够了吗？

医学界很难使用目前狭义的男性或女性的定义来解释上述几种性别紊乱，具有这三种特征的患者，我们究竟应当把他（她）们当男孩还是当女孩来抚养呢？

１９９３年，美国布朗大学医学教授、基因学家安妮·福斯托－斯特林提出，具有以上三种双性特点的人不应对自己的性别硬性做出选择。她认为，从男性到女性这两种性别之间至少还应存在五种甚至更多的性别。她提出的五种性别分别是男性、偏男性（II型）、两性人（III型）、偏女性（I型）、女性。安妮博士指出“性别是一个巨大的统一体，它具有无限的延展性”，博士的新作《人体性别的划分》对她的新思想进行了详细的阐述。

从两性性别观发展到五种性别观，还不可能很快为大众接受。新生婴儿刚一出生，父母们想从接生医生口中听到的第一句话便是“他是个男孩”或“她是个女孩”。从法律上讲，每个成年人必须是男性或女性。让我们马上放弃两性的观点似乎太快了，但是在现实中确实有许多人的性别特征处在我们所定义的两性之外，这个问题值得我们思考。

我们经常将生活中性器官模糊或是具有两性性器官的人视为怪人，医生们也总是非常迅速地想通过先进的医学技术将他们彻底转换为两性中的一种。在过去的３０多年里，医生们大多按照马尼博士的理论，认为婴儿在出生时如果性别不明确，医生们就应将具有两性特点的孩子通过手术变成男性或是女性。医学对治疗阴茎过小或康复受损阴茎尚无较佳技术，因此大多数具有两性特点的孩子都被变成了女孩。思维定式使人们想当然地认为，一个孩子必须具有２.５厘米（一英寸）长的生殖器，只有符合这一前提才被认为是男性。

目前医学界还没有大家广为接受的两性人治疗标准，这一标准也不可能很快形成。但是医学界有责任帮助那些先天性性结构不同于一般的人不再为自己感到可耻，不再进行他们并不想要的外科手术。

对性别做进一步研究是很有必要的，因为只有这样，我们才能找到治疗的最佳方法。目前人们对两性人的身体结构特点仍然存有诸多疑问：他们生活、成长的社会外部环境对他们究竟有无影响？促使ＸＸ染色体向男性转化需要多少雄性激素？外部生殖器官是否比基因更重要？随着人们对性理解的不断深入，或许人们在治疗两性人的方法上也会取得重大突破。

但是不论医学如何进步，人类社会必须扩大目前对两性的定义，从而更好地将那些具有两性染色体和两性结构的人包含在我们的性别定义里。