Aug, 2022

噪声环境中变化编码率的隔音数字识别的最小特征分析

PDF
TL;DR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。
发现论文，激发创造
  • 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

    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。

    Mar, 2010

  • 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

  • 一种基于卷积神经网络的方法，用于识别孟加拉语口语中的数字

    该研究使用多年龄、性别和方言的孟加拉人的音频记录创建了大型的 “0-9” 孟加拉数字口语数据集并使用 Mel 频率倒谱系数和卷积神经网络来识别数字，该方法在整个数据集中达到了 97.1％的准确率并使用 10 倍交叉验证进行了评估，得出 96.7％的准确性。

    Nov, 2021

  • 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

  • 基于集成的框架用于检测阿拉伯语音素的发音错误

    本文介绍了一种利用集成学习模型识别阿拉伯语音素发音错误并帮助学习阿拉伯语的方法，并使用 Mel 频谱图特征提取技术将投票分类器作为集成算法，取得了 95.9% 的分类准确率。

    Jan, 2023

  • 利用 Mel 频率倒谱系数增强心音分类：单一和集成分类器策略的比较研究

    通过使用单一分类器和集成分类器方法，研究了使用 Mel 频率倒谱系数 (MFCCs) 在检测异常心脏音图中的功效。结果表明，与单一分类器方法相比，集成分类器方法获得了更高的准确性，从而将 MFCCs 确定为比其他特征（如时间、时间频率和统计特征）更有效的特征。

    Jun, 2024

  • 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

  • 数字滤波在自然语言处理中将声音 (语音) 转换为文本

    本文介绍一种基于自然语言处理的语音识别接口，结合数字滤波、MFCC 和 HMM 等技术解决了语音识别中可能出现的技术问题，避免了语言、性别等因素对识别效果的影响。

    Sep, 2022

  • 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

  • 语音识别的核逼近方法

    本文研究在语音识别中应用大规模核方法和深度神经网络进行声学建模，并比较它们的性能。我们在四个数据集上进行了实验，使用随机傅里叶特征方法以扩展核方法的规模，在特征选择和监控基于帧的指标等方面提出了两种新技术，并演示了这些方法综合运用可以将核声学模型的性能提高到与深度神经网络相似的水平。

    Jan, 2017