一开始让我警告您，DTW 方法仅适用于口语单词识别。尽管如此，作为一项基本练习还是很有趣的。

我假设您有一个培训文件（模板）数据库，并且您已经为这些文件提取了 MFCC。每个训练文件包含一个给定词类的话语，即“Hello”、“Bye”。我还想象每个班级都有不止一个例子（似是而非）。

以下是您在识别阶段应该做的事情：

• 一旦你有了整个单词的录音，你就可以计算每一帧的 MFCC。你想要整个单词的录音，而不仅仅是它的一部分。
• 现在您计算您的录音与数据库中每个模板之间的距离。在 DTW 的情况下，您将计算 13 维框架（简单距离度量/标准，即欧几里得、曼哈顿等）之间的成本。一旦 DTW 算法完成，您将得到测试样本和每个模板之间的距离值（如下所示的右上矩阵条目）。
• 最后一步是做出决定：您的测试样本实际上属于哪个类别？您可以通过选择具有最小 DTW 距离的模板类别来做到这一点。但更好的是，您可以为此使用 k-Nearest Neighbors。