Question

我正在为一个教育目的工作/研究一个项目构想，并希望做一个关于语音识别的项目，没什么太大的，只是一个介绍，让我开始在该领域。基本上，项目和算法将输入（.wav）文件，然后识别说话的人是说“是”还是说“否”。我正在寻求使用线性预测编码。

基本上，在我的脑海中，我正在考虑以下算法：

然后我想使用相关性度量（如Correlation）来找到正确的手机。

所以，基本上，在读入数据文件之后，并将其拆分为块..它应该/将包含如下：

rawdata = 

[0] => 'Y',
[1] => 'E',
[2] => 'S'

或者包含频率结果，然后可以与电话进行比较。

我的问题是，这看起来像是一个很好的算法来解决问题。

我的下一个问题：

当我尝试将.wav文件读入内存时，我得到（种类）以下结果..

20 30 10 30 40 50 .. 20 20 .. 10 20 .. 60 40 
10 20 30 40 50 60 ... .. . . . .

它们都是整数值，所以，一旦我获取了所有的头信息..其余的数据是我需要转换成正确的介质然后这是数据..？我有点困惑。

希望有人可以帮助我，并且我已经正确地写出了问题。谢谢。

Answer 1

如果你不是我的意见，不，这不是一个好的算法。

首先，人们以不同的速度说话，他们也会以不同的速度发音。您无法从随机切片输入数据开始。

其次，要获得一些好的结果，您需要大幅降低输入的噪音。你需要专注于人类语音主要使用的频率。然后你首先需要一些东西来识别元音，然后你试着猜出这个词，你需要一些真实的数据。你可能不会得到任何可用的东西。

回答关于waw文件的问题，那个标题+数据，我不知道标题，但是因为waw是一种古老的格式，所以在它上面获取一些文档并不难。

数据部分是一个整数值数组，即给定时刻的声音强度。对于44kHz的waw文件，测量强度为每秒44000次，并存储。它只是原始数字，根本没有压缩（曾经想知道为什么waw文件如此巨大？）除了标题，它告诉你采样率和整数类型（通常是16位），等等。

您分析这些巨大的数据以获取有关所用频率的一些信息，但您应该在开始之前研究声音和所有内容的数学。哎呀，即使我不确定我能写些什么东西，大约一半时间能成功识别3个字母的单词。