MWONGOZO WA AI wa Sauti
Mel-Frequency Cepstral Coefficients
Mel-Frequency Cepstral Coefficients (MFCCs) ni seti chanya ya nambari ambayo ni muhtasari wa umbo la masafa ya masafa ya sauti jinsi masikio ya binadamu yanavyoitambua.
Sikiliza mwongozo huuInaonyeshwa na AI · ~2 min
Katika ukurasa huudk 2 kusoma
Muhtasari
Kwa miongo kadhaa vilikuwa kipengele muhimu cha utambuzi wa usemi, kitambulisho cha mzungumzaji, na uchanganuzi wa muziki.
Dive ya kina
MFCC hubadilisha kipande kifupi cha sauti kuwa takriban nambari 13 zinazonasa sauti yake. Bomba huchukua umbo la mawimbi, huligawanya katika fremu ~25ms, kukokotoa wigo wa nishati kupitia kibadilishaji cha Fourier, kisha kukunja mhimili wa mawimbi hadi kwenye mizani ya kuyeyuka, ambayo hutenganisha mikanda jinsi kochlea hufanya: laini chini ya 1kHz na juu sana. Nishati ya mel hubanwa kwa logi (kuiga mtazamo wa sauti kubwa) na hatimaye kupita kwenye kigeugeu bainifu cha kosini, ambacho huzipamba na kukazia taarifa katika vigawo vichache vya kwanza. Matokeo yake ni thabiti kwa kelele na sauti ya spika, ndiyo maana Mifumo ya usemi ya Siri ya Markov ya zamani na Muundo wa Mchanganyiko wa Gaussian ilitegemea MFCC karibu kote kabla ya kujifunza kwa kina.
Utekelezaji wa Ulimwengu Halisi
Vipengele vya sauti vya vitambulishi vya kawaida vya matamshi vya HMM-GMM kama vile mifumo ya mapema ya Sphinx na HTK
Uthibitishaji wa mzungumzaji na uwekaji kumbukumbu, kutofautisha ni nani anayezungumza kwenye simu
Uainishaji wa aina ya muziki na uwekaji alama za vidole vya wimbo (mtindo wa Shazam unaolingana na timbre)
Kugundua hitilafu za mashine au simu za wanyama kutoka kwa sauti katika ufuatiliaji wa viwanda na bioacoustic
Mustakabali wa Mel-Frequency Cepstral Coefficients
Mitandao ya kina kutoka mwisho hadi mwisho inazidi kujifunza vipengele moja kwa moja kutoka kwa mawimbi mbichi au spectrogram za log-mel, kuruka DCT, ili MFCC safi zinafifia kutoka kwa ASR ya hali ya juu. Bado zinasalia kuwa maarufu kwa kazi nyepesi, kwenye kifaa, na data ya chini: kugundua maneno muhimu, utambuzi wa shughuli za sauti, uwekaji alama za vidole vya sauti, na bioacoustic. Tarajia MFCCs kuendelea kama msingi bora, unaoweza kufasiriwa hata kama sehemu za mbele zilizojifunza hutawala miundo mikubwa.
Kuiweka katika vitendo
Kwa nini ni muhimu
- Kufikia na kufikia. Huboresha ufikiaji kupitia manukuu, simulizi na violesura vya sauti.
- Gharama na bajeti. Timu za media zinaweza kusafirisha sauti iliyoboreshwa haraka na bajeti ndogo.
- Kasi na kiwango. Mifumo inayowakabili wateja inaweza kuchakata mwingiliano wa mazungumzo kwa kiwango kikubwa.
Jihadharini na
- Hatari za matumizi mabaya ya sauti na uigaji huongezeka wakati kibali kinakosekana.
- Usahihi unaweza kushuka katika lafudhi, lahaja au mazingira yenye kelele.
- Sauti ya syntetisk inaweza kudhaniwa kimakosa kuwa usemi halisi bila kuweka lebo wazi.
Hatua zinazofuata
- Pata idhini ya moja kwa moja ya kunasa sauti, kuunda na kutumia tena.
- Jaribu ubora kwenye spika na hali mbalimbali za usuli.
- Bainisha wakati ni lazima binadamu akague au aidhinishe matokeo.
- Weka lebo sauti ya sintetiki na uhifadhi rekodi za asili kwa uwajibikaji.
Endelea Kuchunguza
Jarida halali
Pata taarifa ya kila siku ya AI
Hadithi tatu za AI zilizothibitishwa kila asubuhi ya wiki, zimetengenezwa kwa Kiingereza rahisi. Bila malipo daima, hakuna matangazo.
Barua pepe moja kila siku ya wiki. Jiondoe kwa bonyeza moja. Hatutauza au kushiriki anwani yako.
Jijaribu mwenyewe
Take the Mel-Frequency Cepstral Coefficients quiz
Maoni ya haraka juu ya kila jibu, na cheti kinachoweza kushirikishwa na kitambulisho kinachoweza kuthibitishwa baada ya kupita kozi.
Changia elimu ya AI bila malipo. AI Understanding ni 501(c)(3) isiyo na faida — hakuna matangazo, hakuna kizuizi cha malipo, daima. Toa mchango
Maswali yanayoulizwa mara kwa mara
Mel-Frequency Cepstral Coefficients ni nini?
Mel-Frequency Cepstral Coefficients (MFCCs) ni seti chanya ya nambari ambayo ni muhtasari wa umbo la masafa ya masafa ya sauti jinsi masikio ya binadamu yanavyoitambua. Kwa miongo kadhaa vilikuwa kipengele muhimu cha utambuzi wa usemi, kitambulisho cha mzungumzaji, na uchanganuzi wa muziki.
Je, 'mel' katika MFCC inarejelea nini?
Masafa ya kipimo cha mel hupinda ili hatua sawa zisikike kwa umbali sawa kwa wanadamu, zikiwa zimetenganishwa vyema kwa masafa ya chini na kwa ukali kwa zile za juu.
Ni mabadiliko gani yanayotumika mwisho kutoa mgawo wa cepstral?
Baada ya nishati ya log-mel kukokotwa, kibadilishaji cha kosine bainifu huzipamba na hupakia taarifa katika vigawo vichache vya kwanza.
Kwa nini MFCCs ni imara kwa sauti ya mzungumzaji?
Vigawo vya chini vya cepstral hunasa bahasha ya sauti (maudhui ya fonetiki) huku zile za juu zikichukua sauti, kwa hivyo kuweka zile za chini hupunguza msisitizo wa sauti.
Takriban vigawo vingapi vya MFCC huwekwa kwa kila fremu?
Chaguo la kawaida ni kuhusu coefficients 13, wakati mwingine huongezwa na deltas zao, ambazo zinafupisha muhtasari wa timbre.
Kwa nini logi inatumika kwa nishati ya mel-band?
Mtazamo wa sauti ya binadamu ni takriban wa logarithmic, kwa hivyo mgandamizo wa logi hufanya vipengele vinavyolingana vyema na kuleta utulivu wa masafa yanayobadilika.
Endelea kujifunza
Miongozo inayohusiana
Miongozo zaidi imechaguliwa kwa mada hii