语音识别 - 线性预测编码

Question

我正在工作/研究一个用于教育目的的项目构想，并想做有关语音识别的项目，没什么大不了的，只是介绍一下我在该领域的起步。基本上，项目和算法将输入一个 (.wav) 文件，然后识别说话的人是说“是”还是说“否”。我正在寻找使用线性预测编码。

基本上，在我的脑海中，我正在考虑以下算法：

1. 将 .wav（原始数据）读入向量中
2. 将向量分成大小相等的块
3. 针对特定特征处理每个块
4. 找出模型最有可能与生成的音素字符串匹配的单词。

然后我想使用相关性等相似性度量来找到正确的电话。

所以，基本上，在读入数据文件之后，并分成块。它应该/将包含这样的内容：

rawdata = 

[0] => 'Y',
[1] => 'E',
[2] => 'S'

或者将包含频率结果，然后可以与电话进行比较。

我的问题是，这看起来像是解决问题的好算法吗..

我的下一个问题：

当我尝试将 .wav 文件读入内存时，我得到（某种）以下结果..

20 30 10 30 40 50 .. 20 20 .. 10 20 .. 60 40 
10 20 30 40 50 60 ... .. . . . . 

它们都是整数值，所以，一旦我获取了所有标题信息.. 剩下的数据就是我需要转换成正确的介质然后这就是数据..？我有点困惑。

希望有人可以帮助我，并且，我已经正确地写出了问题。谢谢。

Answer 1

如果你不同意我的意见，不，这不是一个好的算法。

首先，人们说话的速度不同，发音的速度也不同。您不能从随机切片输入数据开始。

其次，要获得一些好的结果，您需要大幅降低输入的噪声。您需要专注于人类语音主要使用的频率。然后你需要一些东西来识别元音，然后你尝试猜测这个词，你需要一些真实的数据。不过你可能不会得到任何可用的东西。

回答您关于 waw 文件的问题，即标题 + 数据，我不知道标题，但由于 waw 是一种古老的格式，因此获得一些文档并不难。

数据部分是一个整数值数组，表示给定时刻的声音强度。对于 44 kHz waw 文件，强度每秒测量 44 000 次，并存储。它只是原始数字，根本没有压缩（有没有想过为什么 waw 文件这么大？）除了标题，它告诉你采样率和整数类型（通常是 16 位）等等。

您分析这些庞大的数据以获取有关所使用频率的一些信息，但您应该在开始之前真正研究声音和所有事物的数学。哎呀，即使我不确定我是否能写出一些东西，大约有一半的时间可以成功识别 3 个字母的单词。