我会向我的神经网络提供大约 2-3 秒的声音信号。我已经用一个词训练了我的网络，比如如果我说“Hello”，网络可能会判断是否说“Hello”，但是说“World”之类的其他词，它会说“Hello”没有说出来. 如果它是一个特定的命令或单词，我只想对声音进行分类。最好的方法是什么，我在 DNN 方面不是很先进，我只知道 NN 和 CNN，我想知道是否有一些研究论文或教程，或者需要一些关于工作的解释。
如何对单个单词进行语音识别
人工智能
神经网络
深度学习
语音识别
2021-10-19 07:57:54
1个回答
如果您有固定长度的语音数据，则可以仅使用 CNN 检测内容。您可以将该问题视为二元分类（1如果口语正确，0否则）。
但首先，您需要使输入长度是固定的。例如，您使用 2 秒作为固定长度。如果录制的语音超过 2 秒，则需要对其进行裁剪，如果录制的语音小于 2 秒，则可以将其填充 0 值。
接下来，您可以使用原始数据（时域）或使用某些特征提取器方法（FFT、MFCC 或 MFSC）转换数据。然后，使用 CNN 对图像进行分类。您可以将声波的图形假设为 2D 图像。
但是，如果您的数据有多种长度，您可以结合 CNN 来检测每个音素，然后使用 RNN 或 HMM 将其组合为一个序列。您也可以在上述论文中阅读此方法。