DalšíDalší průvodce
AI Features in Wireless Earbuds
Zvuková AI
Zvukový průvodce AI
Mel filterbank and Perceptual Linear Prediction (PLP) features summarize speech spectra using perceptually spaced frequency bands.
Poslechněte si tento návodAI-vyprávěný · ~2 min
Mel features pool short-time spectral energy into bands; PLP adds auditory weighting, loudness compression, and linear prediction. These are representations used by some speech systems, not guarantees of noise or speaker invariance.
A typical filterbank pipeline divides speech into short frames, computes a spectrum, and applies overlapping filters spaced on a perceptual frequency scale such as mel. The weighted energy in each band forms filterbank features; taking a logarithm yields log-mel features. PLP, introduced by Hermansky, uses critical-band analysis, an equal-loudness curve, cube-root intensity compression, and all-pole linear prediction to produce a smooth spectral envelope. MFCCs are related features that apply a discrete cosine transform to log-mel energies. Modern speech systems use several input representations, including log-mel features and raw waveforms.
Výpočet 40 funkcí log-mel filterbank na snímek jako vstup do neuronové sítě pro převod řeči na text
Používání funkcí PLP v systémech hlasových příkazů odolných proti hluku pro automobily
Potrubí pro rozpoznávání reproduktorů, které se spoléhá na percepčně pokřivené spektrální prvky
Sledování klíčových slov na zařízeních s nízkou spotřebou, kde funkce kompaktní filtrační banky snižují výpočet
Learned front ends can replace or adapt parts of hand-designed feature pipelines, while mel filterbanks remain a common, interpretable baseline. Comparisons should distinguish representation quality from the model and training data using those features. Perceptual scales continue to inform audio-model design.
Newsletter zdarma
Tři ověřené příběhy ze světa AI každý všední den ráno, psané srozumitelnou angličtinou. Navždy zdarma, bez reklam.
Jeden e-mail každý všední den. Odhlásit se můžete jedním kliknutím. Vaši adresu nikdy neprodáváme ani nesdílíme.
Otestujte se
Okamžitá zpětná vazba ke každé odpovědi a sdílitelný certifikát s ověřitelným ID po absolvování kurzu.
Podpořte bezplatnou AI vzdělávání. AI Understanding je nezisková organizace 501(c)(3) — žádné reklamy, žádná platba za přístup, nikdy. Darujte
Mel filterbank and Perceptual Linear Prediction (PLP) features summarize speech spectra using perceptually spaced frequency bands. Mel features pool short-time spectral energy into bands; PLP adds auditory weighting, loudness compression, and linear prediction. These are representations used by some speech systems, not guarantees of noise or speaker invariance.
Mel and Bark scales model aspects of auditory frequency resolution; they do not guarantee noise removal or recognition accuracy.
PLP se hodí k modelu se všemi póly a vytváří hladkou spektrální obálku, zachycuje charakteristiky vokálního traktu a zároveň potlačuje harmonické tóny závislé na reproduktoru.
Funkce Log-mel filtrační banky jsou standardním, kompaktním a percepčně smysluplným vstupem pro dnešní modely hluboké řeči.
MFCC aplikují diskrétní kosinusovou transformaci na vrcholu energií log-mel filtrační banky, aby je dekorelovaly do kompaktních koeficientů.
PLP přidává předemfázi se stejnou hlasitostí a kompresi mezi intenzitou a odmocninou krychle pro lepší model vnímání lidské hlasitosti.
Učte se dál
Pro toto téma bylo vybráno více průvodců
DalšíDalší průvodce
AI Features in Wireless Earbuds
Zvuková AI