通过wavin lib获取用C ++捕获的音频信号的幅度（或均方根电压）。

Question

我正在研究一个非常基本的机器人项目，并希望在其中实现语音识别。 我知道这是一个复杂的事情，但我希望只用3或4个命令（或单词）。

我知道使用wavin我可以录制音频。但我希望对音频信号进行实时幅度分析，如何做到这一点，波将被输入为8位单声道。

我想过将信号分成一组特定的时间，进一步将其分成较小的子集，获得子集上的平均有效值，然后将它们相加，然后看看它们与实际存储的有多大不同如果错误低于所有（或大多数）集合的可接受值，则打印该单词。

如何实施？ 如果你能提供任何其他建议，那就太好了。

提前谢谢。

Answer 1

没有简单的方法可以识别单词，因为它们基本上是一系列音素，可以在时间和频率上变化。

经典孤立词识别系统使用信号MFCC（倒谱系数）作为输入数据，并尝试使用HMM（隐马尔可夫模型）或DTW（动态时间扭曲）算法识别模式。

如果您不想录制按钮，还需要静音检测模块。

例如Edimburgh University toolkit提供了一些这些工具（包含良好的文档）。

如果您不想“从头开始”构建它或有灵感来源，here是这样一个系统（使用自己的工具包）的一个（旧的但是免费的）实现{ {3}}如何运作。

该系统是LVCSR（大词汇量连续语音识别），您只需要它的一个子集。如果有人知道开源减少词汇系统（如简单的IVR），那将是受欢迎的。

如果您想自己制作基本系统，我建议您使用MFCC和DTW：

• 对于要模拟化的每个目标词：
  • 记录单词的一些实例
  • 通过单词计算一些（例如每10ms）delta-MFCC以获得模型
• 当您想要识别信号时：
  • 计算此信号的某些delta-MFCC
  • 使用DTW将这些delta-MFCC与每个模型化词的delta-MFCC
  进行比较
  • 输出最适合的单词（使用阈值来丢弃垃圾）

Answer 2

如果您只想识别一些命令，可以使用许多商业和免费产品。请参阅Need text to speech and speech recognition tools for Linux或What is the difference between System.Speech.Recognition and Microsoft.Speech.Recognition?或Speech Recognition on iPhone。这些问题的答案与许多可用的产品和工具相关联。语音识别和对命令列表的理解是商业上解决的非常普遍的问题。您呼叫的许多语音自动电话系统都使用此类技术。开发人员可以使用相同的技术。

从几个月来看这些问题，我发现大多数开发人员的选择都是这样的：

• Windows用户 - 使用.Net或Microsoft.Speech的System.Speech功能并安装Microsoft提供的免费识别器。 Windows 7包含一个完整的语音引擎。其他人可以免费下载。有一个称为SAPI的相同引擎的C ++ API。见http://msdn.microsoft.com/en-us/magazine/cc163663.aspx。或http://msdn.microsoft.com/en-us/library/ms723627(v=vs.85).aspx

• Linux人员 - Sphinx似乎有很好的追随者。请参阅http://cmusphinx.sourceforge.net/和http://cmusphinx.sourceforge.net/wiki/

• 商业产品 - Nuance，Loquendo，AT＆amp; T，其他

• 在线服务 - Nuance，Yapme，其他

当然这也可能有用 - http://en.wikipedia.org/wiki/List_of_speech_recognition_software