如何使用 Sphinx 从波形文件中获取 MEL 系数

Question

我需要一个基于 java 的特征提取库并找到了 Sphinx，但不知道如何使用。 基本上，我需要将 wav 文件转换为 MEL 系数。 一旦我在 Matlab 中做过，但由于我对 Java 不太熟悉，我无法掌握如何使用他们的代码并提取特征。

顺便说一句，如果您有机会知道另一个能够快速做到这一点的开源库，那将非常有帮助。

更新： 因为我打算在 Android 上使用它，所以我发现使用 PocketSphinx 可能是一个更好的主意。 （我尝试下载他们的demo app，但它没有在我的设备（Nexus 5）上运行，它试图打开一个活动但立即关闭。）我也关注了these steps，但还没有收获。

如果有人能帮我弄清楚如何设置它，那就太好了。 我需要知道： 1-应该使用哪些模块， 2-我如何将库用于我自己的项目？ 3- 如何设置库：应该使用哪些函数以及如何使用。

提前致谢。

有没有一步一步的使用指南

Answer 1

当然，可以使用 sphinx4 计算 MFCC 特征。但不会说它会很快。 sphinx4 中有一个 frontend 的概念，它负责处理输入数据。典型的前端如下所示：

  <component name="liveFrontEnd" type="edu.cmu.sphinx.frontend.FrontEnd">
    <propertylist name="pipeline">
      <item>dataSource </item>
      <item>dataBlocker </item>
      <item>speechClassifier </item>
      <item>speechMarker </item>
      <item>nonSpeechDataFilter </item>
      <item>preemphasizer </item>
      <item>windower </item>
      <item>fft </item>
      <item>autoCepstrum </item>
      <item>liveCMN </item>
      <item>featureExtraction </item>
      <item>featureTransform </item>
    </propertylist>
  </component>

前端的每个元素都从前一个元素读取数据，以某种方式对其进行处理，然后传递给下一个元素。这里dataSource 接受原始音频输入，autoCepstrum 输出 MFCC 系数。其他一切都与语音识别器的特定设置有关。现在，如果您想使用 sphinx4 来计算 MFCC，您应该自己设置类似的前端，分别实例化和调整每个组件，或者可以编写 XML 配置并使用 ConfigurationManager 实例化前端。