使用 MFCC 的简单单词检测器

Posted 2023-03-13

【中文标题】使用 MFCC 的简单单词检测器

【英文标题】：Simple word detector using MFCC

【发布时间】：2015-04-18 04:18:45

【问题描述】：

我正在使用梅尔频率倒谱系数实现语音识别软件。特别是系统必须识别单个指定的单词。由于音频文件，我在一个有 12 行（MFCC）和与语音帧数一样多的列的矩阵中获得了 MFCC。我取行的平均值，所以我得到一个只有 12 行的向量（第 i 行是所有帧的所有第 ith-MFCC 的平均值）。我的问题是如何训练分类器来检测单词？我有一个只有正样本的训练集，我从几个音频文件（同一个词的多个注册）中获得的 MFCC。

【参考方案1】：

我对行进行平均，所以我得到了一个只有 12 行的向量（第 i 行是所有帧的所有第 i 个 MFCC 的平均值）。

这是一个非常糟糕的主意，因为您丢失了有关单词的所有信息，您需要分析整个 mfcc 序列，而不是其中的一部分

我的问题是如何训练分类器来检测单词？

简单的形式是 GMM 分类器，您可以在这里查看：

http://www.mathworks.com/company/newsletters/articles/developing-an-isolated-word-recognition-system-in-matlab.html

在更复杂的形式中，您需要学习更复杂的模型，例如 HMM。您可以从像这样的教科书中了解更多关于 HMM 的信息

http://www.amazon.com/Fundamentals-Speech-Recognition-Lawrence-Rabiner/dp/0130151572

【讨论】：

您好，非常感谢您的回答。我从语音帧中得到了 MFCC，并通过 matlab 函数 gmdistribution 构建了高斯混合模型。之后，我使用新音频测试模型。我再次从新音频中获得 MFCC，并使用后验函数获得每个 MFCC 的概率。现在系统如何决定这个概率？

你得到你正在寻找的所有单词的概率，概率最高的单词就是答案。上面的链接说“测试语音被归类为 GMM 产生最大对数似然值的数字。”

好的。现在我有一个词，我想知道它是否与我用来首先构建高斯混合模型的那个匹配。因此，我在输入该音频的 MFCC 时启动后验函数，并得到对数似然值。我需要将该值与阈值进行比较，以确定该单词是否与原始单词匹配？

我怎样才能得到这个阈值？我正在考虑使用具有两个质心的聚类算法，但负样本很少。

抱歉，我还有一个问题。后验函数的结果是似然的负对数，如果似然在[0,1]范围内，则负对数为正，但函数是矛盾的，说明最佳值是负对数似然接近0时。 这样对吗？另一个问题，我是否对每个单词都有一个 gmm 来检测？因此，当我从麦克风捕获音频时，我会将 MFCC 与我的所有 GMM 进行比较，结果是 GMM 给了我更大的可能性？