我正在使用Mel Frequency Cepstrum Coefficients实现一个语音识别软件。特别是系统必须识别单个指定的单词。由于音频文件我将MFCC放在一个有12行（MFCC）的矩阵中，并且列数与语音帧数一样多。我得到行的平均值，所以我得到一个只有12行的向量（第i行是所有帧的所有第i个MFCC的平均值）。我的问题是如何训练分类器来检测这个词？我有一个只有正样本的训练集，我从几个音频文件中获得的MFCC（几个同一个单词的注册）。
答案 0 :(得分：1)
我得到行的平均值，所以我得到一个只有12行的向量（第i行是所有帧的所有第i个MFCC的平均值）。
这是一个非常糟糕的主意，因为你丢失了关于这个单词的所有信息，你需要分析整个mfcc序列，而不是它的一部分
我的问题是如何训练分类器来检测这个词？
简单形式将是GMM分类器，您可以在此处查看：
在更复杂的形式中，您需要学习更复杂的模型，如HMM。您可以从教科书中了解更多关于HMM的信息
http://www.amazon.com/Fundamentals-Speech-Recognition-Lawrence-Rabiner/dp/0130151572