Các tính năng của Filterbank và PLP
Các tính năng của Filterbank và Perceptual Linear Prediction (PLP) là những cách tóm tắt tín hiệu giọng nói thành những con số nhỏ gọn, có ý nghĩa về mặt nhận thức mà các mô hình học máy có thể sử dụng.
Tổng quan
They matter because they let speech recognizers focus on the parts of sound humans actually hear, discarding irrelevant detail.
Lặn sâu
Để biến âm thanh thô thành các tính năng, tín hiệu được chia thành các khung ngắn và truyền qua một dãy các bộ lọc chồng chéo cách nhau trên thang mel, mô phỏng độ nhạy tần số phi tuyến của tai. Tổng hợp năng lượng trong mỗi bộ lọc sẽ tạo ra các tính năng của ngân hàng bộ lọc log-mel, đầu vào chính cho các mô hình giọng nói sâu hiện đại. PLP, được phát triển bởi Hynek Hermansky, bổ sung thêm nhiều âm thanh tâm lý hơn: nó áp dụng các dải quan trọng ở quy mô vỏ cây, tần số có trọng số đường cong âm lượng bằng nhau như tai và nén cường độ theo âm lượng căn bậc ba, sau đó khớp với mô hình toàn cực (dự đoán tuyến tính) để làm mịn quang phổ. Kết quả là sự thể hiện ở chiều thấp mạnh mẽ đối với sự khác biệt giữa loa và kênh. MFCC là một người anh em họ hàng gần gũi có thêm phép biến đổi cosine để giải mã các đầu ra của bộ lọc.
Hiểu biết kỹ thuật
Ý tưởng chính là sự biến dạng nhận thức: hertz tuyến tính được ánh xạ lại thành thang âm mel hoặc vỏ cây để các bộ lọc thu hẹp ở tần số thấp và rộng ở tần số cao, phù hợp với độ phân giải của ốc tai. Mô hình nén khối lập phương và nhấn mạnh trước độ ồn bằng nhau của PLP cho thấy khả năng nhận biết âm lượng của tai là phi tuyến tính. Bước dự đoán tuyến tính cuối cùng phù hợp với một đường bao quang phổ mượt mà, ghi lại hình dạng đường thanh âm trong khi triệt tiêu các hài âm cao độ khác nhau giữa các loa.
Tác động chiến lược
Truy cập và tiếp cận
Nó cải thiện khả năng tiếp cận thông qua phiên âm, tường thuật và giao diện giọng nói.
Chi phí và ngân sách
Các nhóm truyền thông có thể gửi âm thanh tinh tế nhanh hơn với ngân sách nhỏ hơn.
Tốc độ và tỷ lệ
Các hệ thống hướng tới khách hàng có thể xử lý các tương tác bằng giọng nói ở quy mô lớn hơn.
Tương lai của các tính năng của Filterbank và PLP
Mạng nơ-ron sâu ngày càng ưa thích các ngân hàng bộ lọc log-mel thô hơn là các tính năng PLP hoặc MFCC được thiết kế kỹ lưỡng, bởi vì mạng học các phép biến đổi của chính nó tốt hơn so với quá trình giải tương quan được thiết kế thủ công. Biên giới là các giao diện người dùng có thể học được như SincNet và wav2vec hoạt động trên dạng sóng thô. Tuy nhiên, các ngân hàng bộ lọc mel vẫn phổ biến như một đầu vào ổn định, chi phí thấp và các nguyên tắc nhận thức đằng sau PLP tiếp tục thông báo cách các kỹ sư thiết kế và diễn giải các biểu diễn đã học này.
Triển khai trong thế giới thực
Tính toán 40 tính năng của ngân hàng bộ lọc log-mel trên mỗi khung hình làm đầu vào cho mạng thần kinh chuyển giọng nói thành văn bản
Sử dụng tính năng PLP trong hệ thống ra lệnh bằng giọng nói chống ồn cho ô tô
Quy trình nhận dạng người nói dựa trên các đặc điểm quang phổ bị biến dạng về mặt nhận thức
Phát hiện từ khóa trên các thiết bị tiêu thụ điện năng thấp với tính năng ngân hàng bộ lọc nhỏ gọn giúp giảm tính toán
Rủi ro & lan can
Rủi ro lạm dụng giọng nói và mạo danh sẽ tăng lên khi thiếu sự đồng ý.
Độ chính xác có thể giảm đối với các giọng, phương ngữ hoặc môi trường ồn ào.
Âm thanh tổng hợp có thể bị nhầm lẫn với lời nói đích thực nếu không có nhãn rõ ràng.
Lộ trình thực hiện
Nhận được sự đồng ý rõ ràng để thu âm, sao chép và tái sử dụng giọng nói.
Kiểm tra chất lượng trên nhiều loa và điều kiện nền khác nhau.
Xác định khi nào con người phải xem xét hoặc phê duyệt kết quả đầu ra.
Dán nhãn âm thanh tổng hợp và lưu giữ hồ sơ xuất xứ để đảm bảo trách nhiệm giải trình.
Tiếp tục khám phá
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 Filterbank and PLP Features 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
Hướng dẫn tiếp theo
Thăm dò tuyến tính và đánh giá tính năng đông lạnh
Câu hỏi thường gặp
What is Filterbank and PLP Features?
Các tính năng của Filterbank và Perceptual Linear Prediction (PLP) là những cách tóm tắt tín hiệu giọng nói thành những con số nhỏ gọn, có ý nghĩa về mặt nhận thức mà các mô hình học máy có thể sử dụng. Chúng quan trọng vì chúng cho phép bộ nhận dạng giọng nói tập trung vào các phần âm thanh mà con người thực sự nghe thấy, loại bỏ những chi tiết không liên quan.
Tại sao các dãy bộ lọc giọng nói được đặt cách nhau trên thang đo mel hoặc vỏ cây thay vì hertz tuyến tính?
Các vảy mel và vỏ cây gần đúng với độ phân giải ốc tai của con người, mịn hơn ở tần số thấp và thô hơn ở tần số cao.
Bước dự đoán tuyến tính trong PLP thực hiện những gì?
PLP phù hợp với mô hình toàn cực để tạo ra một đường bao quang phổ mượt mà, ghi lại các đặc điểm của giọng hát đồng thời triệt tiêu các hài âm cao độ phụ thuộc vào loa.
Loại tính năng nào là đầu vào chính cho các mô hình nhận dạng giọng nói sâu hiện đại?
Các tính năng của ngân hàng bộ lọc log-mel là đầu vào tiêu chuẩn, nhỏ gọn, có ý nghĩa về mặt cảm nhận cho các mô hình giọng nói sâu ngày nay.
MFCC khác với các tính năng của ngân hàng bộ lọc log-mel thô như thế nào?
MFCC áp dụng phép biến đổi cosin rời rạc trên năng lượng của ngân hàng bộ lọc log-mel để giải liên kết chúng thành các hệ số nhỏ gọn.
PLP bao gồm yếu tố nhận thức nào mà ngân hàng bộ lọc mel cơ bản không có?
PLP bổ sung tính năng nhấn mạnh trước độ ồn bằng nhau và nén cường độ đến âm lượng căn bậc ba để tạo mô hình nhận biết âm lượng của con người tốt hơn.