machine-learning - 使用哪些数据结构对经过训练的语音模型进行编码？

Question

经过训练的语音模型是什么样的？即:

• 对某人语音的有用指纹进行编码的典型数据结构是什么？

• 如何将语音样本与评估模型进行比较以确定是否匹配？

我知道实现可能存在一些差异，因此学术文献中的任何流行示例或成功的实现都很棒。

Answer 1

创建人物模型:

通常，在语音生物识别中，您对某人的声音有很长的记录。

然后，您将记录分成几毫秒的小部分，并提取这些部分的特征。最扩展的功能是梅尔频率倒谱系数 (MFCC):

https://en.wikipedia.org/wiki/Mel-frequency_cepstrum

一旦您拥有数据集(语音的许多小部分的 MFCC)，您就可以使用高斯混合模型 (GMM) 等算法对语音进行建模，获得 MFCC 的概率密度分布:

https://en.wikipedia.org/wiki/Mixture_model#Gaussian_mixture_model

预测

想象一下，您现在有多个针对多个人的语音模型。

当您有新的语音记录时，您需要再次拆分新的语音记录并提取 MFCC。

然后您可以获得新样本属于您的每个模型的概率。

如果概率高于阈值，则表示匹配。