Il prossimoProssima guida
Funzionalità AI negli auricolari wireless
IA audio
GUIDA AI audio
Mel filterbank and Perceptual Linear Prediction (PLP) features summarize speech spectra using perceptually spaced frequency bands.
Ascolta questa guidaNarrato dall'IA · ~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.
Calcolo di 40 funzionalità del banco di filtri log-mel per frame come input per una rete neurale di sintesi vocale
Utilizzo delle funzionalità PLP nei sistemi di comando vocale resistenti al rumore per automobili
Pipeline di riconoscimento degli oratori che si basano su caratteristiche spettrali percettivamente deformate
Individuazione delle parole chiave su dispositivi a basso consumo in cui le funzionalità compatte del banco di filtri riducono il calcolo
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 gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
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 si adatta a un modello a tutti i poli per produrre un inviluppo spettrale uniforme, catturando le caratteristiche del tratto vocale e sopprimendo le armoniche del tono dipendenti dall'altoparlante.
Le funzionalità del banco di filtri Log-mel rappresentano l'input standard, compatto e percettivamente significativo per i modelli di discorso profondo odierni.
Gli MFCC applicano una trasformata discreta del coseno sopra le energie del banco di filtri log-mel per decorrelarle in coefficienti compatti.
PLP aggiunge una preenfasi del volume uguale e una compressione dell'intensità del volume a radice cubica per modellare meglio la percezione del volume umano.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Funzionalità AI negli auricolari wireless
IA audio