የሜል-ድግግሞሽ ሴፕስትራል ኮፊፊሸንስ
የሜል-ፍሪኩዌንሲ ሴፕስትራል ኮፊፊሸንስ (ኤምኤፍሲሲ) የድምፅ ድግግሞሽ ስፔክትረም ቅርፅ የሰው ጆሮ በሚገነዘበው መንገድ የሚያጠቃልል የታመቀ የቁጥሮች ስብስብ ነው።
አጠቃላይ እይታ
For decades they were the workhorse feature for speech recognition, speaker identification, and music analysis.
ጥልቅ ዳይቭ
ኤምኤፍሲሲዎች አጭር የኦዲዮ ድምጽን ወደ 13 ገደማ ቁጥሮች ወደ 13 ቁጥሮች ይለውጣሉ። የቧንቧ መስመሩ የሞገድ ፎርሙን ይወስዳል፣ ወደ ~ 25 ሚሴ ክፈፎች ይሰብራል፣ በፎሪየር ትራንስፎርም በኩል የሃይል ስፔክትረም ያሰላል፣ ከዚያም የፍሪኩዌንሲውን ዘንግ ወደ mel ሚዛን ያሽከረክራል። የሜል ኃይሎቹ በሎግ-ታመቀ (የድምፅ ግንዛቤን በመኮረጅ) እና በመጨረሻም በዲስትሬትድ ኮሳይን ለውጥ ውስጥ ያልፋሉ፣ እሱም ያጌጠ እና መረጃን ወደ መጀመሪያዎቹ ጥቂት ጥራዞች ያዘጋጃል። ውጤቱ ለድምፅ እና ለተናጋሪ ድምጽ ጠንካራ ነው፣ለዚህም ነው ክላሲክ ድብቅ ማርኮቭ ሞዴል እና የጋውሲያን ድብልቅ ሞዴል የንግግር ስርዓቶች ከጥልቅ ትምህርት በፊት በአጠቃላይ በኤምኤፍሲሲዎች ላይ የተመሰረቱት።
ቴክኒካዊ ግንዛቤ
የሜል ልኬቱ ከሜል = 2595 log10(1 + f/700) ጋር የፒች ግንዛቤን ይገመግማል፣ ስለዚህ እኩል የሜል ደረጃዎች እኩል ክፍተት ይሰማሉ። የመጨረሻው የዲስክሪት ኮሳይን ትራንስፎርም (DCT) የ'ሴፕስትራል' እርምጃ ነው፡ የሎግ-ሜል ስፔክትረምን እንደ ሲግናል ይቆጥረዋል እና ቀስ በቀስ የሚለዋወጠውን የድምፅ ትራክት ቅርፅ (ዝቅተኛ ሴፕስትራል ኮፊፊሸንስ፣ የምንይዘው ክፍል) ከፈጣን ፒክት ሃርሞኒክስ (ከፍተኛ ኮፊሸንትስ፣ አብዛኛውን ጊዜ ይጣላል)፣ የፎነቲክ ማንነትን በተናጋሪ ድምጽ በንጽህና ይለያል።
ስልታዊ ተጽእኖ
መድረስ እና መድረስ
በጽሑፍ፣ በትረካ እና በድምፅ በይነገጾች ተደራሽነትን ያሻሽላል።
ወጪ እና በጀት
የሚዲያ ቡድኖች በትንሽ በጀቶች የተጣራ ድምጽ በፍጥነት መላክ ይችላሉ።
ፍጥነት እና ልኬት
ከደንበኛ ጋር የሚገናኙ ስርዓቶች የንግግር ግንኙነቶችን በትልቁ ደረጃ ማካሄድ ይችላሉ።
የሜል-ድግግሞሽ ሴፕስትራል ኮፊፊሸንስ የወደፊት ዕጣ
ከጫፍ እስከ ጫፍ ያሉ ጥልቅ አውታረ መረቦች ከጥሬ ሞገድ ወይም ከሎግ-ሜል ስፔክትሮግራም በቀጥታ ባህሪያትን ይማራሉ፣ DCT ን በመዝለል፣ ንፁህ ኤምኤፍሲሲዎች ከዘመናዊው ASR እየጠፉ ናቸው። ሆኖም ለቀላል ክብደት፣ በመሣሪያ እና ዝቅተኛ ውሂብ ተግባራት ታዋቂ ሆነው ይቆያሉ፡ ለቁልፍ ቃል መለየት፣ የድምጽ እንቅስቃሴን ማወቅ፣ የድምጽ አሻራ እና ባዮአኮስቲክስ። የተማሩ የፊት-ጫፎች ትልልቅ ሞዴሎችን እንደሚቆጣጠሩ ሁሉ ኤምኤፍሲሲዎች እንደ ቀልጣፋ፣ ሊተረጎም የሚችል መነሻ ሆነው እንዲቀጥሉ ጠብቅ።
የእውነተኛ-ዓለም አተገባበር
እንደ ቀደምት Sphinx እና HTK ስርዓቶች ላሉ የታወቀ የኤችኤምኤም-ጂኤምኤም የንግግር መለያዎች አኮስቲክ ባህሪያት
የተናጋሪ ማረጋገጫ እና ዲያሪዜሽን፣ በጥሪው ላይ ማን እንደሚናገር መለየት
የሙዚቃ ዘውግ ምደባ እና የዘፈን የጣት አሻራ (የሻዛም አይነት ቲምብሬ ማዛመድ)
በኢንዱስትሪ እና ባዮአኮስቲክ ክትትል ውስጥ የማሽን ጉድለቶችን ወይም የእንስሳት ጥሪዎችን ከድምጽ ማግኘት
አደጋዎች እና የጥበቃ መንገዶች
ስምምነት ሲጠፋ የድምፅ አላግባብ መጠቀም እና የማስመሰል አደጋዎች ይጨምራሉ።
ትክክለኛነት በአነጋገር ዘዬዎች፣ ቀበሌኛዎች ወይም ጫጫታ አካባቢዎች ላይ ሊወድቅ ይችላል።
ሰራሽ ኦዲዮ ግልጽ ምልክት ሳይደረግበት ለትክክለኛ ንግግር ሊሳሳት ይችላል።
የትግበራ ፍኖተ ካርታ
ለድምጽ ቀረጻ፣ ክሎኒንግ እና እንደገና ጥቅም ላይ ለማዋል ግልጽ የሆነ ፈቃድ ያግኙ።
በተለያዩ የድምጽ ማጉያዎች እና የበስተጀርባ ሁኔታዎች ላይ ጥራትን ይሞክሩ።
አንድ ሰው መቼ ውጤቶችን መገምገም ወይም ማጽደቅ እንዳለበት ይግለጹ።
ሰው ሰራሽ ኦዲዮን ይሰይሙ እና ለተጠያቂነት የፕሮቨንስ መዝገቦችን ያስቀምጡ።
ማሰስዎን ይቀጥሉ
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Mel-Frequency Cepstral Coefficients quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
ቀጣይ መመሪያ
ሜል ስፔክትሮግራም
በተደጋጋሚ የሚጠየቁ ጥያቄዎች
What is Mel-Frequency Cepstral Coefficients?
የሜል-ፍሪኩዌንሲ ሴፕስትራል ኮፊፊሸንስ (ኤምኤፍሲሲ) የድምፅ ድግግሞሽ ስፔክትረም ቅርፅ የሰው ጆሮ በሚገነዘበው መንገድ የሚያጠቃልል የታመቀ የቁጥሮች ስብስብ ነው። ለብዙ አሥርተ ዓመታት የንግግር ማወቂያ፣ የተናጋሪ መለያ እና የሙዚቃ ትንተና የስራ ፈረስ ባህሪ ነበሩ።
በኤምኤፍሲሲ ውስጥ ያለው 'mel' ምንን ያመለክታል?
የሜል ሚዛን ድግግሞሹን ስለሚቀንስ እኩል እርከኖች ከሰዎች እኩል ርቀው እንዲሰሙ፣ በዝቅተኛ ድግግሞሾች እና በጠባብ በከፍተኛ ደረጃ እንዲታዩ።
የሴፕስትራል ውህዶችን ለማምረት የመጨረሻው የትኛው ለውጥ ይተገበራል?
የሎግ-ሜል ኢነርጂዎች ከተሰላ በኋላ፣ የተለየ ኮሳይን ትራንስፎርመር ያጌጣቸዋል እና መረጃን ወደ መጀመሪያዎቹ ጥቂት መጠኖች ያጠቃልላል።
ለምንድነው ኤምኤፍሲሲዎች ለተናጋሪ ድምጽ በአንፃራዊነት ጠንካራ የሆኑት?
ዝቅተኛ ሴፕስትራል ኮፊሸንትስ የድምፅ ትራክት ፖስታን (የፎነቲክ ይዘትን) ሲይዝ ከፍተኛዎቹ ደግሞ ድምጽን ይይዛሉ፣ ስለዚህ ዝቅተኛውን ማቆየት የድምፁን አፅንዖት ይሰጣል።
በፍሬም ምን ያህል የኤምኤፍሲሲ ኮፊፊሸንት ነው የሚቀመጠው?
የተለመደው ምርጫ ወደ 13 የሚጠጉ ጥምርታዎች ነው፣ አንዳንድ ጊዜ በዴልታዎቻቸው ተጨምረዋል፣ ይህም ግንድ ጠቅለል ባለ መልኩ ነው።
ምዝግብ ማስታወሻው በሜል-ባንድ ኢነርጂዎች ላይ ለምን ይተገበራል?
የሰው ጩኸት ግንዛቤ በግምት ሎጋሪዝም ነው፣ ስለዚህ የምዝግብ ማስታወሻ መጨናነቅ ባህሪያቱን የተሻለ ግንዛቤ እንዲዛመድ ያደርገዋል እና ተለዋዋጭ ክልልን ያረጋጋል።