从一种MFCC转换为另一种 - HTK

Question

我正在使用HTK工具包进行单词识别任务，并且经典培训和测试数据不匹配。训练数据仅由“干净”（通过麦克风记录）数据组成。数据被转换为MFCC_E_D_A参数，然后由HMM（电话级）建模。我的测试数据已经通过固定电话和移动电话频道录制（邀请失真等）。将MFCC_E_D_A参数与HVite一起使用会导致输出错误。我希望cepstral mean normalization使用MFCC_E_D_A_Z参数，但由于HMM未使用此数据建模，因此它没有多大用处。我的问题如下：

1. 有什么方法可以 将 MFCC_E_D_A_Z转换为MFCC_E_D_A？这样我就按照这种方式：input -> MFCC_E_D_A_Z -> MFCC_E_D_A -> HMM log likelihood computation。
2. 有没有办法将模拟MFCC_E_D_A参数的现有HMM转换为MFCC_E_D_A_Z？

如果有办法从上面做（1），那么HCopy的配置文件是什么样的？我编写了以下HCopy配置文件进行转换：
SOURCEFORMAT = MFCC_E_D_A_Z
TARGETKIND = MFCC_E_D_A
TARGETRATE = 100000.0
SAVECOMPRESSED = T
SAVEWITHCRC = T
WINDOWSIZE = 250000.0
USEHAMMING = T
PREEMCOEF = 0.97
NUMCHANS = 26
CEPLIFTER = 22
NUMCEPS = 12
ENORMALISE = T

这不起作用。我怎样才能改善这个？

Answer 1

您需要了解电话录音还有其他频率范围，因为它们会被截断在频道中。通常存在200至3500Hz的频率范围。宽带声学模型的训练范围从100到6800.它不能可靠地解码电话语音，因为电话语音错过了从3500到6800的所需频率。它与功能类型或均值归一化或失真无关，你根本做不到该

您需要在转换为8khz的音频上训练您的原始模型，或者至少修改滤波器组参数以匹配电话的频率范围。