語音中的關於語音識別的一些知識

以下內容都是抄的，哈哈哈

1.mel頻率：

是模擬人耳對不同頻率語音的感知。

人類對不同頻率語音有不同的感知能力：對1khz以下，與頻率成線性關係，對1khz以上，與頻率成對數關係。頻率越高，感知能力就越差了。因此，在應用中常常只使用低頻mfcc，而丟棄中高頻mfcc。

在mel頻域內，人對音調的感知能力為線性關係，如果兩段語音的mel頻率差兩倍，則人在感知上也差兩倍。 轉換公式：b(f)=1125ln(1＋f/700) 其中f為頻率，b為mel－頻率。

同態處理的結果，分為複數和實數倒譜，常用實數倒譜，是語音識別中的重要係數。

3，mel頻率倒譜係數引數的提到中：有一步：分幀， 然後再加上窗，原因呢：,下面寫的：

4,那現在總結下倒譜分析，它實際上是這樣乙個過程：

1）將原語音訊號經過傅利葉變換得到頻譜：x[k]=h[k]e[k]；

只考慮幅度就是：|x[k] |=|h[k]||e[k] |；

2）我們在兩邊取對數：log||x[k] ||= log ||h[k] ||+ log ||e[k] ||。

3）再在兩邊取逆傅利葉變換得到：x[k]=h[k]+e[k]。

這實際上有個專業的名字叫做同態訊號處理。它的目的是將非線性問題轉化為線性問題的處理方法。對應上面，原來的語音頻號實際上是乙個捲性訊號（聲道相當於乙個線性時不變系統，聲音的產生可以理解為乙個激勵通過這個系統），第一步通過卷積將其變成了乘性訊號（時域的卷積相當於頻域的乘積）。第二步通過取對數將乘性訊號轉化為加性訊號，第三步進行逆變換，使其恢復為捲性訊號。這時候，雖然前後均是時域序列，但它們所處的離散時域顯然不同，所以後者稱為倒譜頻域.

引用：

很好的文獻，可以參考哦:

語音中的關於語音識別的一些知識

以下內容都是抄的，哈哈哈 1.mel頻率 是模擬人耳對不同頻率語音的感知。人類對不同頻率語音有不同的感知能力 對1khz以下，與頻率成線性關係，對1khz以上，與頻率成對數關係。頻率越高，感知能力就越差了。因此，在應用中常常只使用低頻mfcc，而丟棄中高頻mfcc。在mel頻域內，人對音調的感知能力...

一些關於語音識別和語音情感識別的資源

這些資源要麼就收費很貴，要麼用不了，嗯 但是也花了很長時間收集，先留著吧。基於svm的語音情感識別 matlab gui介面和文件 點這裡！pythonnlp情感識別專案實戰教程 原始碼 資料集 點這裡！python 語音情感分析 搜一搜？基於svm的情感分析系統點這裡！基於svm的語音情感識別系統...

一些語音識別的概念

呼叫日誌 call logging 語音識別的呼叫日誌在系統中有著非常重要的作用，該日誌記錄了輸入的音訊 載入的語法 識別過程的中間結果 識別模組呼叫過程 識別使用的各種引數 識別結果以及當時的系統環境資訊。這些資料是效果分析的依據，詳盡的call log是效果優化的基礎。說話人自適應 當使用者多次...