我对语音识别中涉及的声学预处理有一个基本的了解：将语音分成帧，找到每帧的梅尔频率倒谱系数，从 MFCC 和信号能量构造一个特征向量，并将语音与几个“原型”进行比较语音样本以找到最接近的匹配。
在进行语音识别（即识别谁说的，而不是说什么）时，我认为可能使用了不同的窗口函数，或者可能使用了不同类型的滤波器组来将频谱转换为 mel 标度，但我并不完全确定——也许这完全是一个不同的过程。有谁知道说话人识别的 MFC 分析不同于语音识别的分析？
语音识别与语音识别 MFCC
信息处理
声音的
预处理
倒谱分析
2022-02-14 07:53:42
1个回答
这是完全相同的提取过程。帧速率、滤波器组数量、频带间距等参数可能会因系统而异，但这只是调整过程的结果（选择产生最佳性能的参数），而不是基本的不同之处。两个任务的某些参数（例如帧持续时间）的“最佳位置”是相同的。
您必须记住，MFCC 捕获了一个整体音色参数，该参数测量所说的内容（电话）以及说话者声音和性别的细节，并且很难将这两个维度分开。Alice 说“o”、Bob 说“o”、Alice 说“a”和 Bob 说“a”的 MFCC 向量都是不同的——这看起来很难用于语音识别（由于说话人可变性）和语音识别（由于电话可变性）。有一些解决方法，但...
在语音识别系统中，您必须确保训练数据包含每个说话者的所有电话的足够出现次数。如果您在 Bob 的“o”上训练 Bob 语音模型，那么当您输入 Bob 的“a”时它不会工作。正因为如此，给定说话人的 MFCC 数据的训练集在设计上必须是非常异构的——这就是为什么高斯混合模型在这项任务中如此成功的原因。
相反的问题出现在语音识别系统中：如果你训练一个根据 Bob 的声音训练的识别系统，并尝试用根据 Alice 的声音计算的 MFCC 数据提供给它，它不会工作。该问题的一种解决方案（声道长度归一化）是找到 MFCC 向量的线性变换，以便在应用于 Alice 的 MFCC 数据时，使其与模型捕获的数据相似。
其它你可能感兴趣的问题