پاسخ : پروژه پردازش گفتار با HMM
راستش من از یک تولباکس آماده استفاده میکنم که میتونی از http://www.cs.ubc.ca/~murphyk/Software/HMM.zip دانلود کنی
توضیحات پارامترها هم http://www.cs.ubc.ca/~murphyk/Softwa...hmm_usage.html
اینو یه آقایی به نام Kevin Murphy در سال 1998 نوشته که آخرین ورژن قابل دسترسش هست که 2005 پ کردند
فکر کنم به خود لینک نگاهی بندازی بهتر از توضیحات من باشه
فقط راجع به تولباکس اینو بگم که برای اجرا باید dhmm_em_demo.m رو اجرا کنی و بقیه کد ها باید مسیرشون Add Path بشه تو کد اصلی تا جواب بگیری!
کد های MFCC هم که استفاده کردم اینا هستن
نوشته اصلی توسط هـادی
توضیحات پارامترها هم http://www.cs.ubc.ca/~murphyk/Softwa...hmm_usage.html
اینو یه آقایی به نام Kevin Murphy در سال 1998 نوشته که آخرین ورژن قابل دسترسش هست که 2005 پ کردند
فکر کنم به خود لینک نگاهی بندازی بهتر از توضیحات من باشه
فقط راجع به تولباکس اینو بگم که برای اجرا باید dhmm_em_demo.m رو اجرا کنی و بقیه کد ها باید مسیرشون Add Path بشه تو کد اصلی تا جواب بگیری!
کد های MFCC هم که استفاده کردم اینا هستن
کد:
[left] % Clean-up MATLAB's environment
clear all; close all; clc;
% Define variables
Tw = 25; % analysis frame duration (ms)
Ts = 10; % analysis frame shift (ms)
alpha = 0.97; % preemphasis coefficient
M = 20; % number of filterbank channels
C = 12; % number of cepstral coefficients
L = 22; % cepstral sine lifter parameter
LF = 300; % lower frequency limit (Hz)
HF = 3700; % upper frequency limit (Hz)
wav_file = 'sp10.wav'; % input audio filename
% Read speech samples, sampling rate and precision from file
[ speech, fs, nbits ] = wavread( wav_file );
%extra plot
waveFile='sp10.wav';
[y2, fs2, nbits2]=wavread(waveFile);
a2=0.95;
y22 = filter([1, -a2], 1, y2);
time=(1:length(y2))/fs2;
wavwrite(y22, fs2, nbits2, 'P.E.sp10.wav');
subplot(2,1,1);
plot(time, y2);
title('Original wave: s(n)');
subplot(2,1,2);
plot(time, y22);
title(sprintf('After pre-emphasis: s_2(n)=s(n)-a*s(n-1), a=%f', a2));
subplot(2,1,1);
set(gca, 'unit', 'pixel');
axisPos=get(gca, 'position');
uicontrol('string', 'Play', 'position', [axisPos(1:2), 60, 20], 'callback', 'sound(y2, fs)');
subplot(2,1,2);
set(gca, 'unit', 'pixel');
axisPos=get(gca, 'position');
uicontrol('string', 'Play', 'position', [axisPos(1:2), 60, 20], 'callback', 'sound(y22, fs)');
% Feature extraction (feature vectors as columns)
[ MFCCs, FBEs, frames ] = ...
mfcc( speech, fs, Tw, Ts, alpha, @hamming, [LF HF], M, C+1, L );
% Generate data needed for plotting
[ Nw, NF ] = size( frames ); % frame length and number of frames
time_frames = [0:NF-1]*Ts*0.001+0.5*Nw/fs; % time vector (s) for frames
time = [ 0:length(speech)-1 ]/fs; % time vector (s) for signal samples
logFBEs = 20*log10( FBEs ); % compute log FBEs for plotting
logFBEs_floor = max(logFBEs(:))-50; % get logFBE floor 50 dB below max
logFBEs( logFBEs<logFBEs_floor ) = logFBEs_floor; % limit logFBE dynamic range
% Generate plots
figure('Position', [30 30 800 600], 'PaperPositionMode', 'auto', ...
'color', 'w', 'PaperOrientation', 'landscape', 'Visible', 'on' );
subplot( 311 );
plot( time, speech, 'k' );
xlim( [ min(time_frames) max(time_frames) ] );
xlabel( 'Time (s)' );
ylabel( 'Amplitude' );
title( 'Speech waveform');
subplot( 312 );
imagesc( time_frames, [1:M], logFBEs );
axis( 'xy' );
xlim( [ min(time_frames) max(time_frames) ] );
xlabel( 'Time (s)' );
ylabel( 'Channel index' );
title( 'Log (mel) filterbank energies');
subplot( 313 );
imagesc( time_frames, [1:C], MFCCs(2:end,:) ); % HTK's TARGETKIND: MFCC
%imagesc( time_frames, [1:C+1], MFCCs ); % HTK's TARGETKIND: MFCC_0
axis( 'xy' );
xlim( [ min(time_frames) max(time_frames) ] );
xlabel( 'Time (s)' );
ylabel( 'Cepstrum index' );
title( 'Mel frequency cepstrum' );
% Set color map to grayscale
colormap( 1-colormap('gray') );[/left]
oo: یعنی بعضی اعداد با 4 فریم و در بعضی دیگه 93 فریم باید داشته باشیم تا الگوریتم درست جواب بده ؟
)
دیدگاه