c++ - 小词汇量语音识别(约 20 个单词)

Question

我目前正在为我的大学做一个项目。任务是编写语音识别系统，该系统将在后台的手机上运行，​​等待几个命令(例如，调用 0 123 ...)。

这是一个 2 个月的项目，因此不必非常准确。可接受的噪音量可以很小，单词会被片刻的寂静分开。

我目前正在加载以 RAW 16 位 PCM 格式编码的示例字。将其拆分为 block (每秒约 50 个)并在每个 block 上运行 FFT 以获得频谱。

要解决的问题是:1)通过较长的录音并将其拆分成单词。2) 找到单词的最佳匹配

1) 我正在考虑一个接一个地检查一个 block ，如果我遇到几个具有更高人类语音频率高度的 block ，则假设这个词已经开始。无论如何，我正在寻找可能对此有所帮助的资源。

2) 这个接缝有点硬。是否有必要为这样的系统使用 HMM，或者假设词汇量很小(20 个单词)可能有更简单的方法？

编辑:该项目的重点是我自己编写系统，所以我不能使用现成的库，如 Sphinx 或 HTK。

问候，卡罗尔

Answer 1

如果以后有人有同样的问题。寻找 2 个主要关键字:

MFCC-Mel-Frequency cepstrum coefficients为每个单词模板计算一系列系数

DTW - 将捕获的单词与模板匹配可以在维基百科上找到足够好的 DTW 描述

这种方法足以在 20 个单词的字典上达到 80% 左右的准确率，并在类里面进行了很好的演示。