Allyli0022的专栏

参考文献及其源码：https://github.com/ibillxia/VoicePrintRecohttp://blog.youkuaiyun.com/zhangxueyang1/article/details/54232584http://alize.univ-avignon.fr/该框架轻便灵巧，使用了传统方法实现了说话人识别功能。由于自己想使用深度学习的方法去做这

声纹识别由三部分组成：特征，模型，得分。特征方面：MFCC/PLP/FBank等短时频谱特征；D-vector (谷歌2014年提的）Deep feature / Bottleneck feature /Tandem feature (三者不是并行关系，可以搜关键词查看相关论文）模型方面：GMM-UBMJFA （Joint Factor Analysis）GMM-UBM i

在语音识别中，常用的评估标准为词错误率WER，WER计算方式为：为了使识别出来的词序列和标准的词序列之间保持一致，需要进行替换，删除，或者插入某些词，这些插入，替换，删除的词的总个数，除以标准的词序列中词的个数的百分比，即为WER，其计算公式如下所示：需要注意的是，因为有插入词，所以WER有可能大于100%，例子：如下图所示：第一行为标准的词序列

今天在做语音识别的工作时，遇到一个问题，用自己的音频进行识别，提示错误：sample rate is more than 16KHz。解决办法：ffmpeg -y -i "0.wav" -ar 16000 -ac 1 "1.wav"上面的命令顺便将声道也转换成了单声道。在我们使用ffmpeg的过程中，可能简单的几个命令字符即可解决问题，但是若用的不一样或者少

一、下载源码，https://github.com/kaldi-asr。二、进入thchs30/s5文件夹，修改run.sh里面的数据路径，我才用了直接下载的方式，因为之前没有这方面的数据。三、修改cmd.sh: export train_cmd=run.plexport decode_cmd=run.plexport mkgraph_cmd=run.ple

首先非常感谢david-ryan-snyder 提供的帮助，非常耐心的给出问题的解答。 经过一个周的调试修改，终于在timit数据集上跑通了sre10中的v1 demo, 特来总结一下，重新理顺一下思路，把其中的各个步骤的算法大体的捋一遍。 最重要的还是数据准备阶段，由于没有原始的数据，整个过程进行的比较困难，花了差不多一个周的时间来各种改，之前第一次跑wsj那个demo的时候才花了不到一

测试完tri1的模型后，一定很想试试tri2或3.但当你操作时，会遇到如下的问题：ERROR (online-wav-gmm-decode-faster:LogLikelihoods():diag-gmm.cc:533) DiagGmm::ComponentLogLikelihood, dimension mismatch 39vs. 40怎么解决？ 答案：1、

参考：https://pjreddie.com/darknet/train-cifar/1、在工程目录下新建labels.list，classifier 中train函数路径为了一致也要改动。labels.list内容如下：n00n01n022、在cfg文件夹下新建imagenet1k.data，用于指示路径等信息，内容如下：3、在工程项目目录下建立train文件夹

两个月前为了走通整个流程，只是在yesno中生成了部分样本的mfcc，针对大批量数据的训练需求远不能满足，因此必须走出这种有风险的方法。今天介绍一种没有任何遗漏的方法，整体流程如下：1、修改wav文件为真正的wav文件：#!/bin/bashindexForSave = wavfor file in /home/kaldi/examples/*do if [ -d "$

local/score.sh: line 56: bc: command not found解决办法：yum install bc

queue.pl: error submitting jobs to queue (return status was 32512)sh: 1: qsub: not found解决办法：打开cmd.shexport train_cmd=queue.plexport decode_cmd="queue.pl --mem 4G"export mkgr

最近一直在做语音方面的工作，由于任务需要所以提取MFCC特征，并保存为语谱图，在以下的讲述中我并没有用到什么源码或者相关理论，但是它给了一个很好的诠释，让我在写自己的代码时有章可循，谢谢原著作者。需要注意的是，下文中的data.txt的来源：1.使用Matlab的函数audiorecorder进行录音2.使用Matlab的函数getaudiodata获取音频数组

在实现一个音频处理功能的过程中，需要对wav文件进行处理。我们知道在matlab中有现成的函数wavread('wavtest.wav')，本文的用途就是用c++代码实现该函数的功能。读者可以在vs中新建一个工程，再将本文的代码粘贴在文件中，编译运行：生成 —>编译 —>生成wavread(U)，打开vs工程目录，例如我的是我的文档/Visual Studio 2013/Projects/wa

1、kaldi中的ark文件与htk中的mfcc文件的互相转换     （1）、ark转mfcc                 使用底层命令copy-feats-to-htk                Save features as HTK files:               每个发音会转化为一个对应的htk格式的特征文件，后缀可以自己定义 

参考：http://blog.youkuaiyun.com/foolsnowman/article/details/511152041 Kaldi安装 git clone https://github.com/kaldi-asr/kaldi.git kaldi-trunk --origin golden cd kaldi-trunk cd tools/extras ./check_dep

问题：解决办法：修改conf目录下的conf文件，将原来的数据改为1600，即可解决此问题。

CentOS 6和7安装方法是不一样的，下面分别说明：安装前都需要先安装epel扩展源yum -y install epel-releaseCentOS 6比较简单，安装yum源之后直接安装即可：su -c 'yum localinstall --nogpgcheck https://download1.rpmfusion.org/free/el/rpmfusion

参考链接：http://www.xuebuyuan.com/1116822.html今天使用了：ffmpeg -i input.mp4 output.wav

参考：https://github.com/vsergeev/audioprism

#!/bin/bashindexForSave = wavfor file in /home/kaldi/examples/*do if [ -d "$file" ] then echo "$file is a directory" elif [ -f "$file" ] then echo "$fil

第一：下载迅雷看看，也可下载其升级版迅雷影音，我是直接在360软件中心下载。第二：将自己的视频用迅雷看看的播放器打开，观察画面声音是否清晰。第三：在播放的过程中，鼠标右击视频屏幕的中间位置，在弹出的下拉菜单中选择截取和转码。第四：选择自己想要截取的时间段，然后点击保存。第五：在单选框中选择第一个只保存音频，然后点击确定。第六：等待保存成功，则关闭该页面，它会自动播放原来画面。