फ़िल्टरबैंक और पीएलपी सुविधाएँ

फ़िल्टरबैंक और अवधारणात्मक रैखिक भविष्यवाणी (पीएलपी) सुविधाएँ एक भाषण संकेत को कॉम्पैक्ट, अवधारणात्मक रूप से सार्थक संख्याओं में सारांशित करने के तरीके हैं जिनका उपयोग मशीन लर्निंग मॉडल कर सकते हैं। वे मायने रखते हैं क्योंकि वे भाषण पहचानने वालों को अप्रासंगिक विवरण को छोड़कर, ध्वनि के उन हिस्सों पर ध्यान केंद्रित करने देते हैं जिन्हें मनुष्य वास्तव में सुनते हैं।

कच्चे ऑडियो को सुविधाओं में बदलने के लिए, सिग्नल को छोटे फ्रेम में विभाजित किया जाता है और मेल स्केल पर स्थित ओवरलैपिंग फिल्टर के एक बैंक के माध्यम से पारित किया जाता है, जो कान की नॉनलाइनियर आवृत्ति संवेदनशीलता की नकल करता है। प्रत्येक फ़िल्टर में ऊर्जा का योग करने से लॉग-मेल फ़िल्टरबैंक सुविधाएँ उत्पन्न होती हैं, जो आधुनिक डीप स्पीच मॉडल के लिए प्रमुख इनपुट है। हाइनेक हर्मेनस्की द्वारा विकसित पीएलपी, अधिक मनोध्वनिकी जोड़ता है: यह बार्क-स्केल क्रिटिकल बैंड, कान की तरह एक समान-जोर वक्र भार आवृत्तियों को लागू करता है, और एक क्यूब-रूट तीव्रता-से-लाउडनेस संपीड़न लागू करता है, फिर स्पेक्ट्रम को सुचारू करने के लिए एक ऑल-पोल (रैखिक भविष्यवाणी) मॉडल फिट करता है। परिणाम स्पीकर और चैनल के अंतर के लिए एक निम्न-आयामी प्रतिनिधित्व है। एमएफसीसी एक घनिष्ठ चचेरा भाई है जो फिल्टरबैंक आउटपुट को सजाने के लिए कोसाइन ट्रांसफॉर्म जोड़ता है।