語音識別 - 線性預測編碼

Question

我的工作/研究用於教育目的的一個項目的想法，並希望做有關語音識別的，沒有什麼太大的項目只是一個介紹，讓我開始在外地。基本上，項目和算法會接受（.wav）文件的輸入，然後確定說話的人是說「是」還是說「不」。我正在尋找使用線性預測編碼。

基本上，在我的腦海，我想下面的算法：

1. 閱讀在.WAV（原始數據）爲載體
2. 斯普利特矢量分成大小相同的塊
3. 處理特定特性
4. 每塊查找其模型是最有可能匹配到其生產的手機的串詞。

然後我想使用相似性度量，例如相關來找到正確的手機。

所以，基本上，數據文件被讀入後，並分割成塊。應該/將包含類似：

rawdata = 

[0] => 'Y', 
[1] => 'E', 
[2] => 'S' 

或將要包含然後可以進行比較的頻率結果與電話。

我的問題是，這是否看起來像一個好的算法來工作過解決問題..

我的下一個問題：

當我嘗試在一個.wav文件讀入內存中，我得到（類）下面的結果..

20 30 10 30 40 50 .. 20 20 .. 10 20 .. 60 40 
10 20 30 40 50 60 ... .. . . . . 

他們都是整數值，所以，一旦我已經採取了所有的報頭信息。該數據的其餘部分是什麼，我需要轉換成正確的媒體然後這是數據..？我有點困惑。

希望有人能幫助我，而且，我已經正確寫入問題出來了。謝謝。

Answer 1

如果你wan't我看來，不，這不是一個好的算法。

所有的人先用不同的速度的話，就發音不同速度的字符了。你不能隨意切分你的輸入數據。

其次，要得到一些不錯的成績，你需要減少輸入的噪音大幅下降。你需要專注於人類語音使用的頻率。然後，你需要首先識別元音，然後嘗試猜測這個詞，然後你需要一些真實的數據。你可能不會得到任何可用的。

回答你關於waw文件的問題，那是頭文件+數據，我不知道頭文件，但是因爲waw是一個古老的格式，所以它不會很難得到一些文檔。

數據部分是整數值的陣列，在一個給定時刻的聲音的強度。對於44 kHz waw文件，每秒測量44 000次，並存儲。它只是原始數據，根本沒有壓縮（曾經有人懷疑爲什麼waw文件非常龐大？）除了頭部，它告訴你採樣率和整數類型（通常是16位）等等。

您可以分析這些龐大的數據以獲取有關使用頻率的一些信息，但在開始之前，您應該真正研究聲音和一切的數學。哎呀，即使我不確定我能寫些什麼，大約一半的時間能夠成功識別3個字母的單詞。