我正在从事一个非常基本的机器人项目,并希望在其中实现语音识别。我知道这是一个复杂的事情,但我希望只有3到4个命令(或单词)。
我知道使用wavin我可以录制音频。但我希望对音频信号进行实时幅度分析,这怎么能做到,波形将作为8位,单声道输入。
我曾想过将信号分成一个特定时间的集合,进一步将其分成较小的子集,获得子集上的平均RMS值,然后将它们相加,然后查看它们与实际存储的signal.If有多大不同。所有(或大多数)集合的误差都低于可接受的值,然后打印单词。
如何实现这一点?如果你能给我提供任何其他的建议,那就太好了。
谢谢,提前说好。
发布于 2011-04-03 05:27:34
没有简单的方法来识别单词,因为它们基本上是一个音素序列,可以在时间和频率上变化。
传统的孤立词识别系统使用信号倒谱系数( MFCC )作为输入数据,并尝试使用隐马尔可夫模型( HMM )或动态时间规整( DTW )算法识别模式。
如果你不想要一个录音按钮,你还需要一个静音检测模块。
例如,Edimburgh University toolkit提供了一些这样的工具(有很好的文档)。
如果你不想“从头开始”构建它,或者有灵感的来源,here是这样一个系统(使用自己的工具包)的一个(旧的但免费的)实现,它有一个关于它如何工作的full explanation and practical examples。
这个系统是一个大词汇表连续语音识别系统,你只需要它的一个子集。如果有人知道一个开源的精简词汇量系统(如简单的IVR),那将是受欢迎的。
如果你想用自己的系统做一个基本的系统,我建议你使用MFCC和DTW:
为每个要建模的目标单词计算model:
当你想要识别一个信号时:
发布于 2011-04-03 21:23:08
如果你只想识别几个命令,有很多商业和免费的产品可以使用。请参见Need text to speech and speech recognition tools for Linux或What is the difference between System.Speech.Recognition and Microsoft.Speech.Recognition?或Speech Recognition on iPhone。这些问题的答案链接到许多可用的产品和工具。语音识别和理解命令列表是商业上解决的一个非常常见的问题。您呼叫的许多语音自动电话系统都使用这种技术。开发人员也可以使用相同的技术。
从观察这些问题的几个月中,我看到大多数开发人员的选择是这样的:
当然,这也可能是有帮助的- http://en.wikipedia.org/wiki/List_of_speech_recognition_software
https://stackoverflow.com/questions/5525289
复制相似问题