Mar, 2010

利用 Mel 频率倒谱系数（MFCC）和动态时间规整（DTW）技术的语音识别算法

PDF
TL;DR本文章探讨了数字处理语音信号和语音识别算法的重要性，介绍了特征提取和匹配的数字信号处理方法以及非参数模型和动态时间规整技术的优越性。
voice recognitiondigital processingfeature extractiondynamic time warpingmfcc
发现论文，激发创造
  • 一种用于说话人识别的高效 MFCC 计算的新型窗口技术

    本文提出一种基于离散时间傅里叶变换的微分性质，采用新型窗函数计算音频中的 MFCC 特征，用于自动语音识别和说话人识别，实验证明该方法可显著提高系统性能和识别准确度。

    Jun, 2012

  • 机器学习中的语音信号处理：说话人隔离案例

    通过对傅里叶变换和小波变换等信号分解方法的简洁比较分析，讨论了衡量语音可懂度的指标，并提供了数学定义和直观解释，以帮助机器学习工程师在选择、调整和评估特定机器学习模型的分解方法时做出明智决策。

    Mar, 2024

  • 局部特征或梅尔频率倒谱系数 —— 对于基于 MLN 的孟加拉语语音识别哪种更好？

    本文讨论了基于本地特征方法的神经网络模型在孟加拉语音识别中的应用，通过输入语音信号并从中提取本地特征，利用多层神经网络提取音素矩阵，然后对音素进行分类，实现更高效、更准确的自动语音识别系统。本系统相较于基于 MFCC 的系统具有更高的音素识别率且需要更少的 HMM 混合成分。

    Oct, 2013

  • 噪声环境中变化编码率的隔音数字识别的最小特征分析

    本研究主要是在研究语音识别中识别隔音数字的高效算法，并通过在不同噪声和采样率下的测试，利用 audacity 和 HTK 工具包结合 Mel 频率倒谱系数（MFCC）、线性预测编码（LPC）、感知线性预测（PLP）、Mel 频谱（MELSPEC）和滤波器组（FBANK）提取特征，探究实时应用的最佳环境和最优异的比特率。

    Aug, 2022

  • 非本土英语使用者单词识别的频率重心特征

    本研究旨在探讨何种辅助 Quintessential Mel 频率倒谱系数（MFCCs）可以提高非英语母语人士在有限语音识别任务中的表现，作者引入了频率重心用于改善在不同语音噪声条件下的英语单词识别能力，并通过两阶段卷积神经网络，对带有阿拉伯、法语和西班牙口音的英语单词进行建模。

    Jun, 2022

  • 基于 CWT 的语音合成中的 Mel 频谱增强范式

    基于连续小波变换的 Mel 频谱增强范式可提高合成语音的质量，与基线模型相比，该增强范式在自回归和非自回归语音系统中实验结果表明合成语音的 MOS 得分提高了 0.14 和 0.09，为增强范式广泛适用性提供了验证。

    Jun, 2024

  • 运用机器学习算法检测口语中的情感表达

    该研究使用 MATLAB 函数与机器学习模型分析人类语音中的声音特征，如谐波、周期性、频谱形状等，实现人类情感的识别。通过使用多个数据集进行训练，并对比测试，发现该模型优于现有类似作品。

    Apr, 2023

  • 基于 MFCC 的基于 Transformer 的音频分类序列标注

    该论文提出了一种基于 Transformer 编码器的音频分类模型，使用 MFCCs 作为输入特征，经过 ESC-50, Speech Commands v0.02, 和 UrbanSound8k 数据集的测试，获得了最高达 95.2% 的精度和轻量级的模型参数，是一种高效的音频分类方法。

    Apr, 2023

  • 软动态时间规整用于多音高估计及拓展

    本文介绍了一种处理音乐信息检索中涉及的弱对齐数据的新技术 —— 软动态时间规整（SoftDTW），这是一种可微分的经典动态时间规整（DTW）变体，相较于 CTC 算法在算法形式上更加优雅，能够自然地扩展到实值目标序列，并在多标签问题方面达到了 CTC 最新扩展的水平，文中以多音调估计为例具体论述了该技术。

    Apr, 2023

  • 关键字检测 -- 基于深度学习的口语指令识别

    探索使用语音识别机器学习和深度学习技术进行关键词识别的重要任务，并实现了将原始波形转换为 Mel 频率倒谱系数作为模型输入的特征工程。通过尝试使用多种算法，包括混合高斯隐马尔科夫模型、卷积神经网络以及变种的循环神经网络，如长短时记忆和注意力机制，我们的实验表明带有双向长短时记忆和注意力机制的循环神经网络可以达到 93.9％的准确率。

    Dec, 2023