我想使用 MFCC（梅尔频率倒谱系数）和 DTW（动态时间扭曲）算法来制作语音比较脚本。我计算了 MFCC 并为每一帧得到了 13 个系数。
我如何从中计算 DWT？我是否应该丢弃帧并仅将系数视为一个数组。我在这篇文章中读到：使用 MFCC 和 DTW（动态时间规整）进行语音识别？你应该计算每帧之间的DTW，但我不明白在计算完所有这些DTW之后我应该做什么。如果我有一个音频序列框架和另一个帧，然后我得到DTW 费用。而且，我从那里去哪里。
在 MFCC 帧上应用 DTW
信息处理
声音的
mfcc
2022-02-08 19:32:25
1个回答
好吧，我想我找到了解决方案，主要是通过反复试验。
所以我所做的并给出了很好的结果是：1）如果我们有 M（帧数）XN（13；MFCC 系数数）矩阵；
即 X=X[1 2 .....N(13) ; 1 2.....M（帧数）]
2) 使用 DATABASE [REF(1;1 2 3...M)] 找到 [X(1;1 2 3.....M)] 的 DTW，这里我们取 K=1(Not 2. ..12) 同样找到 [X(2;1 2 3...M)] 和 DATABASE [REF(1;1 2 3...M)] 的 DTW
3) 泛化，求[X(k(kth MFCC coef); 1 2 3...m)]的DTW；
4）所以最后我们会得到：K（13）个值；
5) 找出这 13(K) 个值的平均值，并以此作为您决定的参考；
*免责声明：我不确定这是否是所有论文所暗示的，我只是通过反复试验发现的，它给出了准确的结果
其它你可能感兴趣的问题