3

Изучая распознавание речи, наткнулся на данную статью. В ней происходит распознавание фонем, а затем их объединение в слова.

Зачем так делать, ведь можно разбить входящий поток на слова, затем сгенерировать MFCC для них и сравнивать уже MFCC со словарем через нейронную сеть? Или так нельзя?

1 ответ 1

2

Потому что в аудиопотоке нет такого понятия как слово/слова. Есть поток аудиоряда и выделить в нем слова без использования тех же нейронных сетей очень сложно - разные люди обладают разным произношением, мелодикой, скоростью произношения и т.д. Иногда целая фраза/предложение звучит слитно (без пауз), в других случаях люди делают паузы при произношении единственного слова.

В общем если бы было легко разбить аудиопоток на слова, то задача распознавания речи сильно упростилась бы...

2
  • Но тогда каким образом определяется промежуток между словами при объединении фонем в слова?
    – wcobalt
    15 июл 2018 в 14:18
  • 1
    Если хотите понять как это работает, то могу посоветовать понять как работает LSTM. Насколько мне известно наиболее удачные модели распознавания речи используют LSTM. 15 июл 2018 в 14:28

Ваш ответ

By clicking “Отправить ответ”, you agree to our terms of service and acknowledge that you have read and understand our privacy policy and code of conduct.

Всё ещё ищете ответ? Посмотрите другие вопросы с метками или задайте свой вопрос.