چگونه می توان از پنجره کشویی برای تشخیص گفتار استفاده کرد؟

سلام! اگر به تشخیص گفتار یا فقط کنجکاو در مورد چگونگی بهتر کار کردن آن کنجکاو هستید ، به جای مناسب رسیده اید. من تأمین کننده ویندوز کشویی هستم و امروز ، من می خواهم با شما نحوه استفاده از تکنیک پنجره کشویی برای تشخیص گفتار را با شما به اشتراک بگذارم.

اول از همه ، بیایید درک کنیم که یک پنجره کشویی در زمینه تشخیص گفتار چیست. به زبان ساده ، یک پنجره کشویی یک بخش کوچک و متحرک از یک سیگنال صوتی است. به جای پردازش کل صدا گفتار ، همه به یکباره ، ما آن را در این ویندوزهای کوچکتر تجزیه می کنیم. این رویکرد مزایای مختلفی دارد ، مانند اینکه پردازش قابل کنترل تر و به ما امکان می دهد تا روی بخش های خاصی از گفتار تمرکز کنیم.

چرا از ویندوز کشویی برای تشخیص گفتار استفاده می کنید؟

یکی از اصلی ترین دلایل استفاده از ویندوز کشویی ، رسیدگی به تنوع در گفتار است. گفتار یک سیگنال پیچیده است که با گذشت زمان تغییر می کند. با استفاده از یک پنجره کشویی ، می توانیم گفتار را به صورت کوتاه و ثابت به طول تجزیه و تحلیل کنیم. این به ضبط ویژگی های محلی گفتار ، مانند واج ها یا هجا های کوتاه کمک می کند.

مزیت دیگر راندمان محاسباتی است. پردازش یک فایل صوتی بزرگ همه به یکباره می تواند بسیار منبع باشد - فشرده. با داشتن پنجره های کشویی ، می توانیم هر پنجره را به طور مستقل پردازش کنیم ، که می تواند بسیار سریعتر باشد و به حافظه کمتری نیاز دارد.

نحوه پیاده سازی تکنیک پنجره کشویی

مرحله 1: اندازه پنجره را تعریف کنید

اولین کاری که شما باید انجام دهید تصمیم گیری در مورد اندازه پنجره کشویی خود است. اندازه پنجره می تواند تأثیر بسزایی در عملکرد سیستم تشخیص گفتار شما داشته باشد. اندازه پنجره کوچکتر می تواند ویژگی های دقیق تری را ضبط کند ، اما ممکن است سر و صدای بیشتری نیز ایجاد کند. از طرف دیگر ، اندازه پنجره بزرگتر می تواند سیگنال را صاف کند اما ممکن است برخی از ویژگی های مهم کوتاه مدت را از دست بدهد.

برای اکثر برنامه های تشخیص گفتار ، از اندازه پنجره بین 20 تا 40 میلی ثانیه استفاده می شود. این دامنه قادر به ضبط ویژگی های اساسی آوایی گفتار است.

مرحله 2: همپوشانی را تعیین کنید

پس از تنظیم اندازه پنجره ، باید در مورد همپوشانی بین ویندوزهای متوالی تصمیم بگیرید. همپوشانی ویندوز به ما امکان می دهد تداوم سیگنال گفتار را ضبط کنیم. اگر همپوشانی وجود نداشته باشد ، ممکن است اطلاعات مهمی را در مرزهای ویندوز از دست بدهیم.

به طور معمول ، همپوشانی 50 ٪ نقطه شروع خوبی است. به عنوان مثال ، اگر اندازه پنجره شما 25 میلی ثانیه باشد ، برای هر پنجره جدید ، پنجره را با 12.5 میلی ثانیه به جلو حرکت می دهید.

مرحله 3: عملکرد پنجره را اعمال کنید

قبل از پردازش هر پنجره ، ایده خوبی است که یک عملکرد پنجره را اعمال کنید. یک عملکرد پنجره به کاهش نشت طیفی که می تواند هنگام گرفتن یک بخش محدود از سیگنال صوتی رخ دهد ، کمک می کند. توابع پنجره متداول شامل پنجره Hamming و پنجره Hanning است.

به عنوان مثال ، پنجره چکش زدن به عنوان (w (n) = 0.54 - 0.46 \ cos \ سمت چپ (\ frac {2 \ pi n {n - 1} \ راست)) تعریف شده است ، جایی که (n = 0،1 ، \ cdots ، n - 1) و (n) اندازه پنجره است.

مرحله 4: استخراج ویژگی

پس از استفاده از عملکرد پنجره ، می توانید از هر پنجره ویژگی ها را استخراج کنید. چندین روش استخراج ویژگی در دسترس است ، مانند ضرایب Cepstral فرکانس MEL - فرکانس (MFCC) ، ضرایب پیش بینی کننده خطی (LPCC) و پیش بینی خطی ادراکی (PLP).

MFCC یکی از روشهای پرکاربردترین روش استخراج ویژگی در تشخیص گفتار است. آنها مبتنی بر پاسخ سیستم شنوایی انسان به فرکانس های مختلف هستند. برای محاسبه MFCC ها ، ابتدا باید طیف قدرت کوتاه سیگنال پنجره را محاسبه کنید ، سپس یک بانک Mel - Filter را در طیف اعمال کنید ، لگاریتم از خروجی های بانک را بگیرید و در نهایت یک تبدیل گسسته Cosine (DCT) را انجام دهید.

مرحله 5: طبقه بندی و شناخت

پس از استخراج ویژگی ها از هر پنجره ، می توانید از طبقه بندی کننده برای شناسایی محتوای گفتار استفاده کنید. طبقه بندی کننده های محبوب برای تشخیص گفتار شامل مدل های مخفی مارکوف (HMM) ، شبکه های عصبی (مانند شبکه های عصبی مکرر - RNN ها ، شبکه های حافظه کوتاه کوتاه - LSTM و واحدهای مکرر دروازه - GRUS) و دستگاه های بردار پشتیبانی (SVMS) هستند.

به عنوان مثال ، یک HMM می تواند با نشان دادن حالات مختلف سیگنال گفتار ، ماهیت پی در پی گفتار را الگوبرداری کند. هر حالت با یک واج خاص یا گروهی از واج مطابقت دارد.

محصولات پنجره کشویی ما

به عنوان یک تأمین کننده پنجره کشویی ، ما طیف گسترده ای از پنجره های کشویی را ارائه می دهیم که می تواند در برنامه های مختلف استفاده شود. اگر به دنبال پنجره های کشویی بزرگ برای ایوان خود هستید ، ما را بررسی کنیدپنجره های کشویی بزرگ برای ایوانبشر این پنجره ها نه تنها شیک هستند بلکه تهویه عالی و منظره ای عالی نیز دارند.

برای کسانی که یک صفحه پنجره کشویی آلومینیوم را ترجیح می دهند ، ماصفحه پنجره کشویی آلومینیومبشر آلومینیوم یک ماده با دوام و سبک است و آن را برای بسیاری از مشتریان به یک انتخاب محبوب تبدیل می کند.

و اگر به دنبال گزینه آسان - به - نصب هستید ، ماپنجره کشویی نصب آسانراه رفتن است این با تمام سخت افزار و دستورالعمل های لازم همراه است ، بنابراین می توانید در هیچ زمان و در حال اجرا باشید.

پایان

استفاده از تکنیک پنجره کشویی برای تشخیص گفتار راهی قدرتمند برای بهبود عملکرد سیستم تشخیص گفتار شماست. با تجزیه سیگنال گفتار به بخش های کوچکتر و قابل کنترل ، می توانید ویژگی های محلی را ضبط کنید ، پیچیدگی محاسباتی را کاهش داده و تغییرپذیری گفتار را به طور مؤثر انجام دهید.

اگر به محصولات پنجره کشویی ما علاقه مند هستید یا در مورد نحوه استفاده از محصولات خود در پروژه های خود سؤالی دارید ، از دستیابی به آن دریغ نکنید. ما اینجا هستیم تا به شما کمک کنیم بهترین انتخاب را برای نیازهای خود انجام دهید. خواه برای نوسازی خانه باشد یا یک پروژه تجاری ، ما پنجره کشویی مناسب را برای شما دریافت کرده ایم. بیایید مکالمه را شروع کنیم و ببینیم چگونه می توانیم با هم کار کنیم!

منابع

• Rabiner ، LR ، & John ، BH (1993). سرگرم کننده تشخیص گفتار. سالن Prentice.
• Huang ، XD ، Acero ، A. ، & Hon ، HW (2001). پردازش زبان گفتاری: راهنمای نظریه ، الگوریتم و توسعه سیستم. سالن Prentice.
• هایکین ، س. (2009). شبکه های عصبی و ماشین های یادگیری. پیرسون