【发布时间】：2013-02-28 04:22:56
【问题描述】：
作为机器学习方面的一个教育项目，我正在考虑从头开始创建一个语音识别系统。在之前接受过他/她的声音训练后，它应该能够从他/她的声音中识别出说话者。
我应该采取什么方法来应对这一挑战？具体来说，这样的系统如何在高层次上工作？
任何建议将不胜感激:)
【问题讨论】：
标签： machine-learning artificial-intelligence
【发布时间】：2013-02-28 04:22:56
【问题描述】：
要使用您的机器学习算法，您必须首先定义您要为其提供的功能。
最简单的做法是计算音频信号的傅里叶变换（使用任何你想要的 FFT 工具，它非常标准），并使用频率及其幅度信息构建特征向量。
如果还不够，您可以使用频谱图来添加时间信息。
一旦特征设置正确，你就可以开始玩你最喜欢的分类算法了！！！
如果您使用 python，我发现这个问题解释了如何进行 FFT 部分： FFT for Spectrograms in Python
【讨论】：
-
频谱图会是一组很好的特征，可以不变地区分说话者吗？声谱图的哪些方面对每位演讲者来说是独一无二的？
-
我不是真正的专家，但似乎频率通常足以区分人与人之间，因为它们“带有”产生它们的声带的“痕迹”。频谱图将有助于区分频率随时间的调制，从而可以区分人类说话和另一种噪声源，例如音乐
-
您可以看到例如一些字母是如何“映射到频谱图的：home.cc.umanitoba.ca/~krussll/phonetics/acoustic/…
我做过一次简单的说话人识别。
您可能希望使用 Mel 频率倒谱系数 (MFCC) 等功能，这些功能可以解释由于谐波引起的频谱周期性以及人耳感知的响度。
然后你可以在学习阶段对特征进行聚类，得到一个统计模型。我为此使用了 VQ，这对于这种特定用途来说非常糟糕，但仍然得到了可用的结果。在识别阶段，您尝试将输入数据拟合到代表不同扬声器的不同模型上。拟合得越好，误差越低。请务必根据记录长度标准化分数。
此外，提高说话者识别能力的一个好方法是排除静音和非语音声音。
【讨论】：