audio - Sphinx 的理想音频电平是多少？

Question

在我的系统上，使用我的 USB 麦克风，我发现最适合 CMU Sphinx 的音频电平约为最大值的 20%。这给了我 75% 的语音识别准确率。如果我以数字方式放大它，我会得到更差的识别准确度(25%)。为什么是这样？ Sphinx 的推荐音频级别是多少？ [我也使用 16,000 个样本/秒，16 位。]

Answer 1

pocketsphinx 解码器使用 channel 幅度归一化。初始归一化值实际上在模型内部配置为 20% 的音频电平(feat.params 中的 -cmninit 参数)。但是，级别会在您解码时更新，因此它仅对第一个话语有影响。如果您在连续模式下正确解码，则级别应该无关紧要。不要为每个话语重新启动识别器，让它适应噪音和音频级别。