2、基于语音模仿的声音类别自动识别

基于语音模仿的声音类别自动识别

1. 引言

在语音识别领域，语音使用“音素”作为基本词汇。同样，语音模仿也有其基本词汇，即“语音基元”（Vocal Primitives，VPs）。我们希望开发一个系统，通过分析给定的音频记录数据集，自动推导出这些基元，将其称为“音频基元”（Audio Primitives，APs）。这些APs应代表在时间和频率上出现的重要声学线索，可在时间和/或频率上叠加，还能在时间和/或频率上移动。我们使用的自动推导APs的算法是平移不变概率潜在分量分析（Shift-Invariant Probabilistic Latent Component Analysis，SI - PLCA）。

2. 使用SI - PLCA寻找音频基元

2.1 PLCA和SI - PLCA

• PLCA（Probabilistic Latent Component Analysis） ：可以看作是著名的非负矩阵分解（Non - negative Matrix Factorization，NMF）的概率形式。PLCA属于潜在类别模型，这类模型不直接应用于实验数据x，而是应用于其分布P(x)，旨在通过潜在类别z来解释分布。PLCA将P(x)解释为潜在分布P(x|z)及其混合权重P(z)的混合：
  [P(x) = \sum_{z = 1}^{K} P_Z(z)P(x|z)]
  其中，P(x)是随机变量x的N维分布。该模型可进一步展开为：
  [P(x) = \sum_{z = 1}^{K} \left[P_Z(z) \prod_{j = 1}^{N} P(x_j|z)\right]]