[音声認識] matlabVQ特定の人物の孤立した単語の音声認識に基づく[Matlabソースコード536を含む]

1.はじめに

VQ（Vector Quantization）は、一般的に使用される圧縮技術です。この記事では、主に次のことを確認します。

1）VQの原則

2）VQベースの話者認識（SR、話者認識）技術
️。分類問題

話者認識は実際には分類の問題です。
ここに画像の説明を挿入します
話者認識技術には主に次の方法が含まれます。

テンプレートマッチング方法
これらの方法は比較的成熟しており、主な原則は、特徴抽出、テンプレートトレーニング、およびマッチングです。典型的なものは次のとおりです。動的タイムワーピングDTW、ベクトル量子化VQなど。

DTWは動的計画法のアイデアを使用していますが、欠点もあります：1）VADテクノロジーへの依存度が高すぎる; 2）音声のタイミング動的特性を十分に活用していないため、それがHMMに置き換えられました。

VQアルゴリズムは、データ圧縮の方法です。コードブックの履歴書とコードワードの検索は2つの基本的な問題です。コードブックの履歴書は、多数の信号サンプルからより優れたコードブックをトレーニングすることです。コードワードの検索は、入力に最適なコードワードを見つけることです。明らかな違いのあるシステムとサウンドの方が適しています。

統計モデルに基づく分類方法。
このタイプの方法の性質は、依然としてパターン認識システムです。特徴を抽出し、分類器をトレーニングし、最後に意思決定を分類する必要があります。一般的なフレームワーク：
ここに画像の説明を挿入します
一般的に使用されるモデルは、GMM、HMMです。、SVM、ANN、DNNまたはさまざまなジョイントモデルなど。

GMMの基本フレームワーク：
ここに画像の説明を挿入します
GMM-UBM（ユニバーサルバックグラウンドモデル）アルゴリズムに似ています。GMMとの違いは、GMMのようにクラスごとにGMMモデルをトレーニングするのではなく、Lクラスのサンプル全体で大きなGMMをトレーニングすることです。SVMの場合、MFCCが機能として使用され、各フレームがサンプルとして使用されます。VADを使用して、無効なオーディオセグメントを削除し、分類を直接トレーニングできます。近年、スパース式を使用する方法もあります
ここに画像の説明を挿入します
。2原理
ベクトル量子化この技術は、信号処理やデータ圧縮などの分野で広く使用されています。実際、JPEGやMPEG-4などのマルチメディア圧縮形式にはVQステップがあります。

ベクトル量子化という名前は少し不思議に聞こえますが、実際にはそれほど洗練されていません。アナログ信号は連続値であり、コンピューターは離散デジタル信号しか処理できないことを誰もが知っています。アナログ信号をデジタル信号に変換する場合、間隔を特定の値に置き換えることができます。たとえば、[0のすべての値、 1）0になり、[1、2）のすべての値が1になります。これはVQプロセスです。より正式な定義は次のとおりです。VQは、ベクトル空間内の点をその有限サブセットでエンコードするプロセスです。

典型的な例は、画像のエンコードです。最も単純なケースでは、グレースケール画像を考えてみましょう。0は黒、1は白で、各ピクセルの値は[0、1]の実数です。これを256レベルのグレースケール画像としてエンコードするための最も簡単な方法の1つは、各ピクセル値xを整数floor（x 255）にマップすることです。もちろん、元のデータ空間は必ずしも連続している必要はありません。たとえば、この画像を圧縮する場合、各ピクセルは（元の8ビットではなく）4ビットのみを使用して保存します。したがって、元の[0]の整数値には[0、15]を使用する必要があります。、255]間隔。]エンコードする整数値では、単純なマッピングスキームはx15 / 255です。

ただし、このマッピングスキームは非常に単純で、圧縮効果を実現するために色の数を減らすことができますが、元の色が均等に分散されていないと、結果の画像の品質があまり良くない場合があります。たとえば、256レベルのグレースケール画像が0と13の2色で完全に構成されている場合、両方の色がすべて0にマッピングされるため、上記のマッピングによって完全に黒の画像が取得されます。より良いアプローチは、クラスタリングを組み合わせて代表的なポイントを選択することです。

実際の方法は、各ピクセルをデータの一部として扱い、K-meansを実行してk個の重心を取得し、これらの重心のピクセル値を使用して、対応するクラスター内のすべてのポイントのピクセル値を置き換えます。カラー画像の場合も同じ方法が使用できます。たとえば、RGB 3色画像では、各ピクセルは3次元ベクトル空間内の点と見なされます。

第二に、ソースコード

17 / 18
% Demo script that generates all graphics in the report and demonstrates our results.
[s6 fs6] = wavread('s6.wav');
[s1 fs1] = wavread('s1.wav');
%Question 2
disp('> Question 2：画出原始语音波形');
t = 0:1/fs1:(length(s1) - 1)/fs1;
plot(t, s1), axis([0, (length(s1) - 1)/fs1 -0.4 0.5]);
title('原始语音s1的波形');
xlabel('时间/s');
ylabel('幅度')
pause 
close all
%Question 3 (linear)
disp('> Question 3: 画出线性谱');
M = 100;%当前帧数
N = 256;%帧长
frames = blockFrames(s1, fs1, M, N);%分帧
t = N / 2;
tm = length(s1) / fs1;
subplot(121);
imagesc([0 tm], [0 fs1/2], abs(frames(1:t, :)).^2), axis xy;
title('能量谱(M = 100, N = 256)');
xlabel('时间/s');
ylabel('频率/Hz');
colorbar;
%Question 3 (logarithmic)
disp('> Question 3: 画出对数谱');
subplot(122);
imagesc([0 tm], [0 fs1/2], 20 * log10(abs(frames(1:t, :)).^2)), axis xy;
title('对数能量谱(M = 100, N = 256)');
xlabel('时间/s');
ylabel('频率/Hz');
colorbar;
D=get(gcf,'Position');
set(gcf,'Position',round([D(1)*.5 D(2)*.5 D(3)*2 D(4)*1.3]))
pause
close all
%Question 4
disp('> Question 4: 画出不同帧长语谱图');
lN = [128 256 512];
u=220;
for i = 1:length(lN)
    N = lN(i);
    M = round(N / 3);
    frames = blockFrames(s1, fs1, M, N);
    t = N / 2;
    temp = size(frames);
    nbframes = temp(2);
    u=u+1;
    subplot(u)
    imagesc([0 tm], [0 fs1/2], 20 * log10(abs(frames(1:t, :)).^2)), axis xy;
    title(sprintf('能量对数谱(第 = %i帧, 帧长 = %i, 帧数 = %i)', M, N, nbframes));
    xlabel('时间/s');
    ylabel('频率/Hz');
    colorbar
end
D=get(gcf,'Position');
set(gcf,'Position',round([D(1)*.5 D(2)*.5 D(3)*1.5 D(4)*1.5]))
pause
close all
%Question 5
disp('> Question 5: Mel空间');
plot(linspace(0, (fs1/2), 129), (melfb(20, 256, fs1))');
title('Mel滤波');
xlabel('频率/Hz');
pause
close all
%Question 6
disp('> Question 6: 修正谱');
M = 100;
N = 256;
frames = blockFrames(s1, fs1, M, N);
n2 = 1 + floor(N / 2);
m = melfb(20, N, fs1);
z = m * abs(frames(1:n2, :)).^2;
t = N / 2;
tm = length(s1) / fs1;
subplot(121)
imagesc([0 tm], [0 fs1/2], abs(frames(1:n2, :)).^2), axis xy;
title('原始能量谱');
xlabel('时间/s');
ylabel('频率/Hz');
colorbar;
subplot(122)
imagesc([0 tm], [0 20], z), axis xy;
title('通过mel倒谱修正后的能量谱');
xlabel('时间/s');
ylabel('滤波器数目');
colorbar;
D=get(gcf,'Position');
set(gcf,'Position',[0 D(2) D(3)*2 D(4)])
pause
close all
%Question 7
disp('> Question 7: 2D plot of accustic vectors');
c1 = mfcc(s1, fs1);
c2 = mfcc(s2, fs2);
plot(c1(5, :), c1(6, :), 'or');
hold on;
plot(c2(5, :), c2(6, :), 'xb');
xlabel('5th Dimension');
ylabel('6th Dimension');
legend('说话人1', '说话人2');
title('2D plot of accoustic vectors');
pause
close all
%Question 8
disp('> Question 8: 画出已训练好的VQ码本')
d1 = vqlbg(c1,16);
d2 = vqlbg(c2,16);
plot(c1(5, :), c1(6, :), 'xr')
hold on

3、実行中の結果

ここに画像の説明を挿入します

四、備考