如何从波形文件中获取音频频率数据？

Question

我希望在Ruby中构建一个语音识别引擎，虽然只是出于兴趣而已，但我仍希望能够实现。我需要获取WAV文件中存储的声音频率数据，以便与我已有的不同声音的数据进行比较，从而实现语音识别。虽然我将使用Ruby编写代码，但我认为没有任何用Ruby编写的库，即使有也会很慢。Ruby的好处是我可以通过IronRuby使用.NET库或通过JRuby使用Java库。那么，我该如何获取频率数据呢？

- potlee

Answer 1

一个wave文件并不是太复杂，本质上只是一系列音频样本：http://www-mmsp.ece.mcgill.ca/Documents/AudioFormats/WAVE/WAVE.html。

一旦您能读取这些样本，下一步将是通过FFT变换运行它们，以获取频率内容。您可以使用一些开源实现，或者自己实现一个。

您正在尝试做的事情需要一些关于音频和信号处理背后的数学理解，因此也许您需要从这个主题的书籍开始。

- driis

Answer 2

您需要阅读一些关于说话人识别的论文。并且在互联网上可以找到许多库以解决此问题。 要构建说话人识别系统（无论是识别系统还是验证系统），您需要：

• 良好的音频特征（您希望找到能够唯一描述数据集中每个说话人声音的内容）。大多数音频特征都是从短时谱（即信号FFT在音频信号的小帧上取样，其中信号被认为是稳定的）中提取出来的。但我们从不把谱本身（FFT的对数）作为描述符（谱中有太多无用的信息）。最重要的是描述某个人的声音的是谱包络。您应该绝对看一下称为MFCC（Mel频率倒谱系数）的音频描述符，它是最广泛用于说话人识别任务的音频特征。

• 然后您还需要一个良好的分类器（例如GMM、SVM...），因为这个问题是使用监督学习算法解决的。基本上，您需要为要识别的每个说话人训练一个模型，然后您将使用未经过训练的数据测试您的模型。

- lizzie