语音识别

 

我们的声音进入电脑后，变成了下面的结构

 

 

（上面这个图也叫声音的“时域”图，因为声音通过话筒进入计算机，是按时间上的先后顺序来的）

 

 

我们来“描述”一下，他有什么特征：

1.      中间区域内，“振荡”幅度特别大，而两边变化的比较小，（中间区域的内容是“yi”的发音的声音图

两边的地方是“静音区”,即在录音开始时，我们没有发出声音，但电脑已经开始录制了，但这部份，没有声音；

在声音这部份区域，我们录音时，有时会有外面的噪音，如车声等影响

电脑的处理速度有限，即使充足状态下，我们也可以用于其它处，而不是将资源用于非语音的识别，所以第一步，就是端点的检测，即哪一部份开始是语音；

语音与静音或是噪音的区别，在于他的幅度比较大，持续时间比较长，所以我们可以通过这些特征去划分出“语音区”

 

 

我们如何去“描述”上面的“语音”部分的“特征”

 

我们会有很多种方法；而现有的一种技术是我们通过将波型分解成由更简单，几种波形波形组成，将这个图进行如下的描述

 

 

 

然后我们再将组成图转化到坐标上去

 

这个坐标图，又号声音的“频域”图-“频普”（只要知道他是怎么来的就行）他是描述声音特征的一种方式，通过傅里叶变化（又叫fft函数就能实现这种变换）

 

 

2.      好了，有了上面的特征，我们就能对语音进行描述，区别不同语音之间的区别了，但是等一下，我们在实际中，会得到的图并不像上面那么简单，而是像下面这样的，这又给我们的识别增加了难度，数量太大了啊

 

但是人们发现，人对声音的辨别能力，尤其对于某些频率之间并不能很好的辨认，而超过一定频率后才能识别不同，而制作了一个模型

 

他由许多个“三角形”组成，每个三角形，我们叫一个过滤器

 

又叫“梅尔系数”

 

将上面两个图重叠，就变成了下面这种

 

 

然后我们将频谱图与每个滤波器进行叠加处理，如

 

 

并将所有结果相加起来，代表一个滤波器的值

 

这样，就将上面FFT转化后的数据，大量的减少了，便于我们处理，然后我们就使用上面所得的特征来进行来对比了

 

 

总结一下：

语音识别主要是三步

 

1．端点检测

2.特征提取

3.语音对比

 

比较好的参考资料：

https://my.oschina.net/zzw922cn/blog/533175  语音特征提取技术MFCC ( 外文翻译而成)

http://practicalcryptography.com/miscellaneous/machine-learning/guide-mel-frequency-cepstral-coefficients-mfccs/#deltas-and-delta-deltas（原网址可能来源于此）

https://blog.csdn.net/zouxy09/article/details/9156785/ 语音信号处理之（四）梅尔频率倒谱系数（MFCC）

https://blog.csdn.net/xiao13yu14/article/details/46991581 (梅尔频率倒谱系数（MFCC）的提取过程与C++代码实现)

https://www.zhihu.com/question/20398418（语音识别的原理）

http://www.52nlp.cn/hmm-learn-best-practices-four-hidden-markov-models (Hmm 隐马尔可夫 HMM学习最佳范例) 或搜索史上最详细最容易理解的HMM文章

https://blog.csdn.net/raym0ndkwan/article/details/45614813  （DTW动态时间规整）

https://blog.csdn.net/App_12062011/article/details/53442506（系统学习机器学习之距离的度量（二））

数字信号处理（外文-中文版）-

 

转自：https://blog.csdn.net/qq_39239990/article/details/80208518