基于信号/频谱分析的语音识别

Question

我正在研究一种通过比较信号和频谱来识别音频单词的解决方案。
为了解码音频，我使用 libavcodec 和 libavformat，并使用 1 个参考词并与其他词进行比较。
示例：

# Must return true
./vrecog --file_ref chocolat.wav --file_cmp chocolat_2.wav
# Must return false
./vrecog --file_ref chocolat.wav --file_cmp banana.wav

我的步骤：

1. 我将信号放在 std::vector 中
2. 我用Fast Fourier Transform将信号转换成频谱
3. 我计算光谱的 [min, max, average, std_deviation, variance]
4. 我使用步骤 3 中的值来计算 correlation coefficient

推理是否正确？系数总是接近 1，我不知道我可以用什么来有效地比较数据来表示单词是否相同。

这些是我的情节：
信号（chocolat、chocolat_2 和香蕉）：
光谱（巧克力、chocolat_2 和香蕉）：

我们可以很容易地看到两个“巧克力”词的信号和频谱似乎很接近，但我无法获得相似度的百分比。

Answer 1

对于信号，这通常通过与卷积非常相似的互相关函数（两个信号）完成。因此，它可以通过专门设计为高效的 FFT 在数学上完成。使用相关函数后，您可以决定要成为“匹配”的阈值等。有关更多信息，我会在以下位置阅读：@ 987654321@ 因为我们正在谈论的内容非常繁重，并且被教过在我的一门大学课程中度过了几个星期。