Question

在使用HTK（隐藏马尔可夫模型工具包）为语音到文本系统创建Voxforge's tutorial之后的MFCC时，我们需要为我们的手机定义原型模型。我试图绕过这个文件。

~o <VecSize> 25 <MFCC_0_D_N_Z>
~h "proto"
<BeginHMM>
  <NumStates> 5
  <State> 2
    <Mean> 25
      0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0  
    <Variance> 25
      1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 
 <State> 3
    <Mean> 25
      0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0  
    <Variance> 25
      1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0
 <State> 4
    <Mean> 25
      0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 
    <Variance> 25
      1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0
 <TransP> 5
  0.0 1.0 0.0 0.0 0.0
  0.0 0.6 0.4 0.0 0.0
  0.0 0.0 0.6 0.4 0.0
  0.0 0.0 0.0 0.7 0.3
  0.0 0.0 0.0 0.0 0.0
<EndHMM>

在这种情况下，我们使用长度为25的特征向量来表示HMM的每个状态。但是，我不太明白为什么我们有25＆＃34;手段＆＃34;和＆＃34;方差＆＃34;对于每个州。它们代表每个特征向量的均值和方差吗？

此外，为什么5岁时我们有3个州？ <State>1和<State>5只是输入和退出点，因此它们不需要Mean和Variance吗？

另外，在拍摄样本wav文件时，我打印了如下所示的MFCC：

  0:     -15.769  -2.168   8.605   4.979   5.283   1.012   9.631  -0.619   3.622  10.977
             5.733   3.260  44.447  -0.153  -0.281  -0.810  -1.176   0.363  -0.658   0.676
            -1.569   1.363  -1.221   0.815  -0.759   1.427
    1:     -18.345  -3.220   7.177   0.293   7.232   3.111  17.942  -6.957   8.197   6.579
             9.102  -0.569  49.537   0.378  -0.337  -1.277  -1.709   0.623  -0.450   0.162
             0.315   2.088  -1.175   0.624   0.762   1.018
    2:     -15.244  -3.046   5.269   1.441   6.121  -3.326   8.854  -5.297   8.151   7.072
             8.122   1.379  49.036   0.543  -0.119  -1.162  -1.263   1.261  -0.388  -0.234
             0.816   1.195  -1.237  -0.288   1.600   0.244
    3:     -14.143  -3.413   3.887  -1.796   7.981   0.930  10.826   3.294  11.797   7.055
             7.661   8.011  47.243   0.613  -0.020  -0.568  -0.364   1.034  -0.165  -0.812
             2.525   0.351  -1.670  -1.086   1.493  -0.716
    4:     -15.156  -2.669   4.440  -0.293  11.213   0.162  12.020  -1.667   7.794   4.553
             5.013   6.968  46.813  -0.050  -0.092  -0.050  -0.329   0.325   0.585   0.751
             1.253  -0.008  -1.852  -0.845   0.058  -0.430
    5:     -15.323  -3.510   4.750  -0.660   9.856   0.545  12.301   3.855  10.132  -0.511
             5.224   4.104  47.068   0.073   0.151   0.163  -0.180  -0.186  -0.242  -0.335
            -0.577  -0.479  -0.745  -0.167  -1.565   0.013

对于每个＆＃34;窗口＆＃34;，为什么我们有26个系列而不是25个？他们都代表什么？我相信：

1-12是Cepstral Coeffiecients
14-25是Delta Coefficients
26也是第13个号码的Delta Coeffieienct

但我不知道每个样本中的第13个数字代表什么。它们应该是开头显示的原型文件中定义的格式<MFCC_0_D_N_Z>，HTK Manual中的不。但我可以从手册的第80页获得：

MFCC_0：MFCC系数
_D：Delta Coefficients
_N：绝对能量抑制
_Z：零平均静态牛肉。

任何解释都将不胜感激。

Answer 1

此外，为什么5岁时我们有3个州？ 1和5是简单的入口和出口点，因此它们不需要均值和方差吗？

是的，边界状态是假的。

对于每个＆＃34;窗口＆＃34;，为什么我们有26个系列而不是25个？他们都代表什么？我相信：

MFCC类型MFCC_0_D与Tutorial step 5类似，因此这些是13个ceps和13个增量。您还可以使用HList -o -h打印确切的布局：

---------------------------------- Source: ar-03.mfc -----------------------------------
  Sample Bytes:  52       Sample Kind:   MFCC_D_C_K_0
  Num Comps:     26       Sample Period: 10000.0 us
  Num Samples:   648      File Format:   HTK
-------------------------------- Observation Structure ---------------------------------
x:      MFCC-1  MFCC-2  MFCC-3  MFCC-4  MFCC-5  MFCC-6  MFCC-7  MFCC-8  MFCC-9 MFCC-10
       MFCC-11 MFCC-12      C0   Del-1   Del-2   Del-3   Del-4   Del-5   Del-6   Del-7
         Del-8   Del-9  Del-10  Del-11  Del-12   DelC0

存储在mfc文件中的功能类型可能与HMM培训中使用的功能类型不同，HMM功能是根据原型规范从动态mfc计算的，因此在磁盘上有26 {{1}当你计算时，通过降低能量并将均值归一化，将其转换为25个系数MFCC_0_D。

我不太明白为什么我们有25＆＃34;手段＆＃34;和＆＃34;方差＆＃34;对于每个州。它们是否代表每个特征向量的均值和方差？

均值和方差是每个HMM状态的HMM发射分布的高斯参数，它们不是特征向量的均值。检查HMM是什么。

HTK - HMM模型和输入WAV文件的MFCC代表什么？

1 个答案: