我正在使用梅尔频率倒谱系数实现语音识别软件。特别是系统必须识别单个指定的单词。由于音频文件，我得到了一个具有 12 行(MFCC)和与语音帧数量一样多的列的矩阵中的 MFCC。我计算行的平均值，因此得到一个仅包含 12 行的向量(第 i 行是所有帧的所有第 i-MFCC 的平均值)。我的问题是如何训练分类器来检测单词？我有一个仅包含正样本的训练集，即我从多个音频文件(同一单词的多个注册)中获得的 MFCC。
最佳答案
I make the average of the rows, so I get a vector with only the 12 rows (the ith-row is the average of all ith-MFCCs of all frames).
这是一个非常糟糕的主意，因为你会丢失有关该单词的所有信息，你需要分析整个 mfcc 序列，而不是其中的一部分
My question is how to train a classifier to detect the word?
简单的形式是 GMM 分类器，您可以在此处查看:
在更复杂的形式中，您需要学习更复杂的模型，例如 HMM。你可以从像这样的教科书中了解更多关于 HMM 的知识
http://www.amazon.com/Fundamentals-Speech-Recognition-Lawrence-Rabiner/dp/0130151572
关于machine-learning - 使用 MFCC 的简单单词检测器，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/28562023/