基于信号/频谱分析的语音识别

Question

我正在研究一种通过比较信号和频谱来识别音频字的解决方案 要解码音频，我使用libavcodec和libavformat，我使用1个参考词并与其他词进行比较 示例：

# Must return true
./vrecog --file_ref chocolat.wav --file_cmp chocolat_2.wav
# Must return false
./vrecog --file_ref chocolat.wav --file_cmp banana.wav

我的步骤：

1. 我把信号放在std :: vector
中
2. 我用Fast Fourier Transform
将信号转换为频谱
3. 我计算谱线的[min，max，average，std_deviation，variance]
4. 我使用第3步中的值来计算correlation coefficient

推理是否正确？系数总是小于1，我不知道如果单词是否相同，我可以用什么来有效地比较数据。

这些是我的情节：
信号（chocolat，chocolat_2和banana）：
Spectrum（chocolat，chocolat_2和banana）：


我们可以很容易地看到“chocolat”这两个词的信号和频谱似乎接近，但我无法获得相似的百分比。

Answer 1

对于信号，这通常通过（两个信号的）互相关函数来完成，这与卷积非常相似。因此，它可以通过FFT在数学上完成，FFT专门设计为高效的。一旦你采用相关函数，你就可以决定你希望成为“匹配”的阈值等等。有关更多信息，我会在http://www.aip.de/groups/soe/local/numres/bookcpdf/c13-2.pdf阅读，因为我们所讨论的是相当重的数学和在我的一个大学课程中，我被教了几个星期。