我正在开展一个非常简单的语音识别项目。我目前有2套wav文件。每组在同一个人在两个不同的实例中说出的一组单词的长度记录为1秒。例如，一组具有单词“one”，“two”和“three”，另一组具有通过单独记录获得的相同的确切单词。许多单词押韵并使用不同的声音。
到目前为止，我已经尝试了几件事，但到目前为止我最实用的是每个声音文件的光谱图（所有使用相同的脚本都以相同的方式构建）。
这一切都是通过MATLAB完成的，我只能使用MATLAB。
我将一组录音/频谱图称为“样本集”，这将是我将提供样本声音的集合。我会将另一组录音/频谱图称为“测试集”，这将是我将尝试找到与所提供的样本记录/频谱图最佳匹配的集合。
我想要的是，当提供样本声音/频谱图时，MATLAB将返回测试集中的最佳匹配或匹配。理想情况下，它会返回相同的单词，但实际上我会很高兴只有一些样本会返回相似的结果（例如，押韵或有类似元音/辅音的单词）。
我可以尝试哪些方法？同样，只要过程合理，如果失败就没问题。我知道我的声音样本量非常小。我也理解最好比较频域中的声音，但我现在所拥有的只是频谱图。
答案 0 :(得分：1)
动态时间扭曲可以测量两个话语之间的距离。 您可以在Matlab Central中找到Matlab实现
答案 1 :(得分：-1)
频谱图很棒。您可以提取共振峰，look here how to do it。
基本上共振峰是单独音节的特征，即对于单词“three”，“th”，“r”和“i”有不同的共振峰。所以，你最好先分开音节，然后提取每个音节的格式，最后将“样本”与“测试”文件进行比较。
无论如何，如果每个文件只包含一个单词，我认为提取整个单词的共振峰也可能是合适的方法，特别是如果你可能有一些误差容忍...
修改：
所以，我仍然认为提取共振峰是正确的方法，但如果你想比较光谱图，你可以依赖这些词有一个声音音节这一事实。您可以在频谱图中看到声乐部分在高频中具有峰值（例如，上面链接中的频谱图显示单词“matlab”，并且在两个声音'a'处具有更高频率的红线）。
将频谱图在时间维度上划分为50 ms（+ - ）的段，然后选择峰值为高频的那些（根据您需要选择的某个阈值。观察频谱图后很容易） 。对于每个单词，请保存时间位置以及所选时间段内3-4个高峰的频率位置。现在，根据您的具体数据，您需要尝试确定您在时间/费用方面允许的容差，将两个病房定义为类似...