我从两个约30秒的音频文件中提取了两个MFCC系数序列,两个音频文件内容相同但来源不同。需要进行估计,确定这两个音频文件是否包含相同对话或不同对话。目前我已经测试了两个Mfcc系列之间的相关计算,但结果并不太合理。这种情况下有最佳实践吗?
我从两个约30秒的音频文件中提取了两个MFCC系数序列,两个音频文件内容相同但来源不同。需要进行估计,确定这两个音频文件是否包含相同对话或不同对话。目前我已经测试了两个Mfcc系列之间的相关计算,但结果并不太合理。这种情况下有最佳实践吗?
我曾经遇到过同样的问题,解决方案是使用动态时间规整算法匹配两个MFCC数组。
在计算了MFCC后,你现在应该有两个信号的每个元素都包含一个帧的MFCC的数组(一个数组的数组)。第一步是计算一个数组中每个元素与另一个数组中每个元素之间的“距离”,即每两个MFCC集之间的距离(你可以尝试使用欧几里得距离)。
这将使你拥有一个二维数组(我们称之为“dist”),其中元素(i,j)表示第一个信号中第i帧的MFCC和第二个信号中第j帧的MFCC之间的距离。
现在你可以在这个数组上应用DTW算法:
表示两个文件之间的“差异”值为dtw(n,m),其中n = 第一个信号中的帧数,m = 第二个信号中的帧数。
如需进一步阅读,this paper 可以给您一个应用DTW到MFCCs的总体概述,而DTW算法的this presentation也可能有所帮助。
由于这两个向量实际上是直方图,因此您可以尝试计算它们之间的卡方距离(这是一种常用的直方图距离测量方法)。
d(i) = sum (x(i) - y(i))^2/(2 * (x(i)+y(i)));
d = slmetric_pw(X, Y, 'chisq');
dist = mirgetdata(mirdist(mfcc1, mfcc2));
我知道这个问题已经存在了将近10年,但是我现在也在寻找同样的东西,我个人认为上面的建议过于复杂。对于其他仍在寻找的人,你可以简单地使用scipy来获取两个矩阵之间的距离,其中包含你的mfcc数据:
>>> from scipy.spatial import minkowski_distance
>>> a = [[-2.231413e+01,-5.495589e+01,-2.177988e+01,-1.719458e+01,-1.513321e+01,1.324277e+01,-9.265136e-01,1.542478e+01,1.007597e+01,7.356851e-01,1.106412e+01,-9.447377e+00,-1.325694e+00 ],[-2.294377e+01,-5.487790e+01,-2.152807e+01,-1.725173e+01,-1.500316e+01,1.287956e+01,-7.995839e-01,1.540848e+01,1.040512e+01,3.215451e-01,1.113061e+01,-9.390820e+00,-1.065433e+00 ], [-2.251059e+01,-5.475804e+01,-2.188462e+01,-1.709198e+01,-1.516142e+01,1.278525e+01,-7.952995e-01,1.602424e+01,9.981795e+00,4.940354e-01,1.081703e+01,-9.485857e+00,-7.487018e-01 ]]
>>> b = [[-2.231413e+01,-5.495589e+01,-2.177988e+01,-1.719458e+01,-1.513321e+01,1.324277e+01,-9.265136e-01,1.542478e+01,1.007597e+01,7.356851e-01,1.106412e+01,-9.447377e+00,-1.325694e+00 ], [-2.294327e+01,-5.488413e+01,-2.152952e+01,-1.724601e+01,-1.500094e+01,1.287461e+01,-8.023301e-01,1.541246e+01,1.040808e+01,3.185866e-01,1.112774e+01,-9.388848e+00,-1.062943e+00], [-2.250507e+01,-5.481581e+01,-2.189883e+01,-1.704281e+01,-1.514221e+01,1.274256e+01,-8.183736e-01,1.606115e+01,1.000806e+01,4.662135e-01,1.079070e+01,-9.468561e+00,-7.260294e-01 ]]
>>> minkowski_distance(a, b)
array([0. , 0.01274899, 0.11421053])
https://docs.scipy.org/doc/scipy/reference/generated/scipy.spatial.minkowski_distance.html
为了获取详细的MFCC数据,我使用了打包在Docker容器中的yaafe: http://yaafe.github.io/Yaafe/manual/install.html
以下是解决安装问题的方法:https://github.com/Yaafe/Yaafe/issues/52