小词汇量语音识别（约20字）

Question

我目前正在为我的大学做一个项目。任务是编写语音识别系统，该系统将在后台运行在手机上，等待一些命令（例如 call 0 123 ...）。

这是 2 个月的项目，所以它不必非常准确。可接受的噪音量可能很小，并且单词将被片刻的沉默隔开。

我目前正在加载以 RAW 16 位 PCM 格式编码的示例字。将其拆分为块（每秒约 50 个）并在每个块上运行 FFT 以获得频谱。

需要解决的问题是：1）通过较长的录音并将其拆分为单词。2）找到最匹配的词

1）我正在考虑只检查一个接一个的块，如果我遇到几个具有更高人类语音频率的块，则认为该词已经开始。无论如何，我正在寻找可能对此有所帮助的资源。

2）这个接缝有点硬。是否有必要将 HMM 用于这样的系统，或者假设词汇量如此之小（20 个单词），是否有更简单的方法？

编辑：该项目的重点是我自己编写系统，所以我不能使用像 Sphinx 或 HTK 这样的现成库。

问候， 卡罗尔

Answer 1

如果将来有人有同样的问题。寻找2个主要关键词：

MFCC -梅尔频率倒谱系数，用于计算每个单词模板的一系列系数

DTW - 将捕获的单词与模板相匹配可以在维基百科上找到足够好的 DTW 描述

这种方法足够好，在 20 个单词词典上的准确率约为 80%，并在课堂上进行了良好的演示。