网站导航
更新时间:2024-05-17 04:36:03 来源:大39游戏网
首先,我们知道声音实际上是一种波。常见的mp3、wmv等格式都是压缩格式,必须转成非压缩的纯波形文件.........
首先,我们知道声音实际上是一种波。常见的mp3、wmv等格式都是压缩格式,必须转成非压缩的纯波形文件来处理,比如Windows PCM文件,也就是俗称的wav文件。wav文件里存储的除了一个文件头以外,就是声音波形的一个个点了。
在开始语音识别之前,有时需要把首尾端的静音切除,降低对后续步骤造成的干扰。这个静音切除的操作一般称为VAD,需要用到信号处理的一些技术。要对声音进行分析,需要对声音分帧,也就是把声音切开成一小段一小段,每小段称为一帧。分帧操作一般不是简单的切开,而是使用移动窗函数来实现,这里不详述。帧与帧之间一般是有交叠的。
每帧的长度为25毫秒,每两帧之间有25-10=15毫秒的交叠。我们称为以帧长25ms、帧移10ms分帧。每帧的长度为25毫秒,每两帧之间有25-10=15毫秒的交叠。我们称为以帧长25ms、帧移10ms分帧。
分帧后,语音就变成了很多小段。但波形在时域上几乎没有描述能力,因此必须将波形作变换。常见的一种变换方法是提取MFCC特征,根据人耳的生理特性,把每一帧波形变成一个多维向量,可以简单地理解为这个向量包含了这帧语音的内容信息。这个过程叫做声学特征提取。实际应用中,这一步有很多细节,声学特征也不止有MFCC这一种,具体这里不讲。
至此,声音就成了一个12行(假设声学特征是12维)、N列的一个矩阵,称之为观察序列,这里N为总帧数。观察序列如下图所示,图中,每一帧都用一个12维的向量表示,色块的颜色深浅表示向量值的大小。
接下来就要介绍怎样把这个矩阵变成文本了。首先要介绍两个概念:音素:单词的发音由音素构成。对英语,一种常用的音素集是卡内基梅隆大学的一套由39个音素构成的音素集,参见The CMU Pronouncing Dictionary。汉语一般直接用全部声母和韵母作为音素集,另外汉语识别还分有调无调,不详述。状态:这里理解成比音素更细致的语音单位就行啦。通常把一个音素划分成3个状态。
语音识别是怎么工作的呢?实际上一点都不神秘,无非是:第一步,把帧识别成状态(难点);第二步,把状态组合成音素;第三步,把音素组合成单词。
微信视频聊天是不能回看的,只能实时播放对话。视频聊天的打开方法:1、我们打开微信后点击右上角的这三个...
2024-05-171、壁挂炉原理:壁挂炉进入工作状态,风机先启动使燃烧室内形成负压差。风压开关把指令发给水泵,水泵启动...
2024-05-171、打开word文档,插入要进行抠图的图片。2、选中图片,依次单击“格式”-“删除背景”,打开“背景...
2024-05-171、刷今日头条极速版的时候手机卡顿,有可能是因为手机打开应用太多的问题。解决方法如下:如果打开应用较...
2024-05-171、打开“相机”软件,点击上方的“实况”按钮,点击后可以直接拍摄livephoto。2、拍摄完成后,...
2024-05-171、核潜艇是潜艇中的一种类型,指以核反应堆为动力来源设计的潜艇。由于这种潜艇的生产与操作成本,加上相...
2024-05-171、截止到目前为止,最快的计算机是中国的天河二号。天河二号是天河一号的改良,天河二号超级计算机是中国...
2024-05-171、下载下来QQ了,但是你的手机系统版本太低了,就会出现打不开软件的问题,更新系统就好了。2、在下载...
2024-05-171、北斗三号在西昌卫星中心发射成功。北斗三号卫星导航系统由24颗中圆地球轨道卫星、3颗地球静止轨道卫...
2024-05-171、如果王者荣耀是使用QQ登录的,头像就是QQ头像,所以只要修改QQ头像就能修改王者头像。2、打开手...
2024-05-17