语音识别 - 线性预测编码

Question

我的工作/研究用于教育目的的一个项目的想法，并希望做有关语音识别的，没有什么太大的项目只是一个介绍，让我开始在外地。基本上，项目和算法会接受（.wav）文件的输入，然后确定说话的人是说“是”还是说“不”。我正在寻找使用线性预测编码。

基本上，在我的脑海，我想下面的算法：

1. 阅读在.WAV（原始数据）为载体
2. 斯普利特矢量分成大小相同的块
3. 处理特定特性
4. 每块查找其模型是最有可能匹配到其生产的手机的串词。

然后我想使用相似性度量，例如相关来找到正确的手机。

所以，基本上，数据文件被读入后，并分割成块。应该/将包含类似：

rawdata = 

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

或将要包含然后可以进行比较的频率结果与电话。

我的问题是，这是否看起来像一个好的算法来工作过解决问题..

我的下一个问题：

当我尝试在一个.wav文件读入内存中，我得到（类）下面的结果..

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

他们都是整数值，所以，一旦我已经采取了所有的报头信息。该数据的其余部分是什么，我需要转换成正确的媒体然后这是数据..？我有点困惑。

希望有人能帮助我，而且，我已经正确写入问题出来了。谢谢。

Answer 1

如果你wan't我看来，不，这不是一个好的算法。

所有的人先用不同的速度的话，就发音不同速度的字符了。你不能随意切分你的输入数据。

其次，要得到一些不错的成绩，你需要减少输入的噪音大幅下降。你需要专注于人类语音使用的频率。然后，你需要首先识别元音，然后尝试猜测这个词，然后你需要一些真实的数据。你可能不会得到任何可用的。

回答你关于waw文件的问题，那是头文件+数据，我不知道头文件，但是因为waw是一个古老的格式，所以它不会很难得到一些文档。

数据部分是整数值的阵列，在一个给定时刻的声音的强度。对于44 kHz waw文件，每秒测量44 000次，并存储。它只是原始数据，根本没有压缩（曾经有人怀疑为什么waw文件非常庞大？）除了头部，它告诉你采样率和整数类型（通常是16位）等等。

您可以分析这些庞大的数据以获取有关使用频率的一些信息，但在开始之前，您应该真正研究声音和一切的数学。哎呀，即使我不确定我能写些什么，大约一半的时间能够成功识别3个字母的单词。