文本无关的说话人识别综述(二)----特征提取

本文深入探讨了说话人识别中的特征提取,包括短时谱特征、梅尔倒谱系数(MFCC)、线性预测(LP)以及声源、谱-时间、韵律和高维特征。预加重和加窗是信号处理的关键步骤,而MFCC通过梅尔滤波器减少无用信息,线性预测则利用样点间的相关性预测未来样点。此外,基频和调制频率等参数对识别也至关重要。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

 本文是读书笔记。个人比较浅显的理解,其中有一些专业词汇也是个人自己的翻译,如果有不对的希望大家指正。
来自论文《An overview of text-independent speaker recognition: From features to supervectors》的第三章节的特征提取部分。


===================================分割线=========================================

由于关节活动,语音信号是不断变化的。因此信号需要分割成为20-30ms的帧。在一帧的时间内,我们可以假定信号是不变的,并从每一帧中提取特征矢量。


一 short-term spectral features 短时谱特征

        首先需要进行的步骤是预加重(pre-emphasized)和加窗。

        预加重是为了提升高频部分的表现。(因为语音从嘴唇发出后,会有高频损失,为弥补这些高频损失,需要做预加重处理)

        加窗是为了平滑信号,减少信号在两端处的误差,避免频谱出现“破碎”的情况。通常使用的窗函数有:矩形窗、汉明窗、汉宁窗。

        由于信号在时域(Time domain)上的变化通常很难看出信号的特性,所以通常将它转换成频域(Frequency domain)上的能量分布来观察,不同的能量分布,就能代表不同语音的特性。所以在乘上汉明窗后,每个音框还必需再经过 FFT 以得到在频谱上的能量分布。

        乘上汉明窗的主要目的,是要加强音框左端和右端的连续性,这是因为在进行 FFT 时,都是假设一个音框内的信号是代表一个周期性信号。如果这个周期性不存在,FFT 会为了要符合左右端不连续的变化,而产生一些不存在原信号的能量分布,造成分析上的误差。当然,如果我们在取音框时,能够使音框中的信号就已经包含基本周期的整数倍,这时候的音框左右端就会是连续的,那就可以不需要乘上汉明窗了。但是在实作上,由于基本周期的计算会需要额外的时间,而且也容易算错,因此我们都用汉明窗来达到类似的效果。

 

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值