1

我正在使用该HTK工具包进行单词识别任务，并且有经典的训练和测试数据不匹配。训练数据仅包含“干净”（通过麦克风记录）数据。数据被转换为MFCC_E_D_A参数，然后由 HMM（电话级别）建模。我的测试数据已通过固定电话和手机渠道记录（引起失真等）。将MFCC_E_D_A参数与HVite结果一起使用会导致输出不正确。我想使用cepstral mean normalizationwithMFCC_E_D_A_Z参数，但它没有多大用处，因为 HMM 不是用这些数据建模的。我的问题如下：

  1. 有什么办法可以转换 MFCC_E_D_A_Z成MFCC_E_D_A? 这样我就按照这种方式：input -> MFCC_E_D_A_Z -> MFCC_E_D_A -> HMM log likelihood computation。
  2. 有什么方法可以将现有的 HMM 模型MFCC_E_D_A参数转换为MFCC_E_D_A_Z?

如果有办法从上面做（1），配置文件HCopy会是什么样子？我编写了以下HCopy配置文件进行转换：
SOURCEFORMAT = MFCC_E_D_A_Z
TARGETKIND = MFCC_E_D_A
TARGETRATE = 100000.0
SAVECOMPRESSED = T
SAVEWITHCRC = T
WINDOWSIZE = 250000.0
USEHAMMING = T
PREEMCOEF = 0.97
NUMCHANS = 26
CEPLIFTER = 22
NUMCEPS = 12
ENORMALISE = T

这不起作用。我该如何改进呢？

4

1 回答 1

2

您需要了解电话录音具有另一个频率范围，因为它们在频道中被剪辑。通常存在从 200 到 3500 Hz 的频率范围。宽带声学模型在 100 到 6800 的范围内进行训练。它不能可靠地解码电话语音，因为电话语音错过了 3500 到 6800 所需的频率。它与特征类型或均值归一化或失真无关，你做不到那

您需要在转换为 8khz 的音频上训练您的原始模型，或者至少修改滤波器组参数以匹配电话频率范围。

于 2011-07-29T23:54:05.357 回答