获取 wavin lib 在 C++ 中捕获的音频信号的幅度（或 rms 电压）。？答案

【问题标题】：Getting the amplitude(or rms voltage) of audio signal captured in C++ by wavin lib.?获取 wavin lib 在 C++ 中捕获的音频信号的幅度（或 rms 电压）。？
【发布时间】：2011-07-28 08:56:22
【问题描述】：

我正在从事一个非常基本的机器人项目，并希望在其中实现语音识别。我知道这是一件复杂的事情，但我只想为 3 或 4 个命令（或单词）做这件事。

我知道使用 wavin 可以录制音频。但是我想对音频信号做实时幅度分析，怎么做呢，波会以8位单声道输入。

我曾考虑将信号划分为一组特定时间，进一步将其划分为更小的子集，获取子集的平均 rms 值，然后将它们相加，然后查看它们与实际存储的差异有多大信号。如果错误低于所有（或大多数）集合的可接受值，则打印该单词。

如何实现？如果您也可以提供任何其他建议，那就太好了。

谢谢，提前。

【问题讨论】：

标签： c++ speech-recognition audio-processing

【解决方案1】：

没有简单的方法来识别单词，因为它们基本上是一个音素序列，可以随时间和频率变化。

经典孤立词识别系统使用信号MFCC（倒谱系数）作为输入数据，并尝试使用 HMM（隐藏马尔可夫模型）或 DTW（动态时间扭曲）算法识别模式。

如果您不想要录音按钮，您还需要一个静音检测模块。

例如，Edimburgh University toolkit 提供了其中一些工具（带有良好的文档）。

如果您不想“从头开始”构建它或有灵感来源，here 是这样一个系统（使用自己的工具包）的（旧但免费）实现，带有 full explanation and practical examples关于它是如何工作的。

此系统是 LVCSR（大词汇连续语音识别），您只需要它的一个子集。如果有人知道开源精简词汇系统（如简单的 IVR），那将是受欢迎的。

如果你想自己做一个基本的系统，我建议你使用MFCC和DTW：

对于每个要建模的目标词：
- 记录单词的一些实例
- 通过单词计算一些（例如每10ms）delta-MFCC以获得模型
当您想要识别信号时：
- 计算此信号的一些 delta-MFCC
- 使用 DTW 将这些 delta-MFCC 与每个模型化单词的 delta-MFCC 进行比较
- 输出最适合的词（使用阈值丢弃垃圾）

【讨论】：

任何想法，为什么子集的 rms 值的比较，不会做这项工作，只有一个人会口授的东西，而词汇只有几个词..
同一个说话者可以用不同的能量、频率、速度和节奏来发音同一个词。一个词的足迹在于频率的变化，而不是能量的变化。这就是为什么你真的应该使用 MFCC 而不是 rms 值。为了应对速度和节奏，DTW是最简单的方法。如果没有在单词和参考之间进行这种对齐，您将无法识别单词。
注意使用 delta-MFCC（MFCC 的衍生物）来获得每个频率的能量变化（我稍微改变了我的答案）。另请注意，@Michael 引用了 sphynx，它提供了一个名为 pocketsphynx 的 C++ 实现（我不知道），尽管它是一个 LVCSR（因此基于音素并使用语言模型，你不需要的东西）。
感谢您的澄清

【解决方案2】：

如果您只想识别几个命令，您可以使用许多商业和免费产品。请参阅 Need text to speech and speech recognition tools for Linux 或 What is the difference between System.Speech.Recognition and Microsoft.Speech.Recognition? 或 Speech Recognition on iPhone。这些问题的答案链接到许多可用的产品和工具。语音识别和理解命令列表是商业上解决的一个非常常见的问题。您呼叫的许多语音自动电话系统都使用这种技术。开发人员也可以使用相同的技术。

从几个月来观察这些问题，我发现大多数开发者的选择都是这样分解的：

Windows 用户 - 使用 .Net 或 Microsoft.Speech 的 System.Speech 功能并安装 Microsoft 提供的免费识别器。 Windows 7 包括一个完整的语音引擎。其他的可以免费下载。有一个用于相同引擎的 C++ API，称为 SAPI。请参阅http://msdn.microsoft.com/en-us/magazine/cc163663.aspx。或http://msdn.microsoft.com/en-us/library/ms723627(v=vs.85).aspx
Linux 人 - Sphinx 似乎有很多追随者。见http://cmusphinx.sourceforge.net/和http://cmusphinx.sourceforge.net/wiki/
商业产品 - Nuance、Loquendo、AT&T 等
在线服务 - Nuance、Yapme 等

当然这也可能有帮助 - http://en.wikipedia.org/wiki/List_of_speech_recognition_software

【讨论】：

Sapi 似乎足以胜任这项工作，但我只熟悉 borland c++ 编译器，如果我需要实现 SAPI，我应该学习 VC++ 还是 C#，以及任何可能有助于从 C++ 过渡的资源到 vc++ 会很棒。谢谢。
SAPI 只是一个标准的 COM API，是 Windows SDK 的一部分。您应该能够使用任何 C++ 编译器对其进行编程。有关一些有用的信息和链接，请参阅 en.wikipedia.org/wiki/Microsoft_Speech_API#SAPI_5.3。 C# 和 .NET 中的 System.Speech 命名空间无疑使开发支持语音的应用程序变得更加容易，但您不必学习一门新语言即可将语音添加到现有应用程序中。
msdn.microsoft.com/en-us/library/bb756992.aspx 应该对你也有帮助。