利用梅爾倒譜系數(shù)（MFCC）及空間聚類算法實(shí)現(xiàn)音色識(shí)別

2019-11-09 17:12:25

字體：大中小

供稿：網(wǎng)友

寫在前面

2016年4月參加了哈爾濱工業(yè)大學(xué)深圳研究生院舉辦的創(chuàng)新創(chuàng)業(yè)比賽，司職算法組長(zhǎng)，切入點(diǎn)定在了音色識(shí)別和相似明星音才藝展示推薦算法上，不才，拿到了一等獎(jiǎng)，趁佳節(jié)未散與大家分享。

項(xiàng)目進(jìn)度安排

2016年1月~2016年3月：前期工作中了解學(xué)習(xí)了語音信號(hào)處理的基本原理，查閱有關(guān)文獻(xiàn)了解到了聲音音色信息的描述方式，梅爾（Mel）倒譜系數(shù)的意義，推導(dǎo)了相關(guān)公式并實(shí)現(xiàn)了MFCC（Mel Frequency Cepstral Coefficient）參數(shù)的計(jì)算，閱讀并了解了有關(guān)說話人識(shí)別，音色識(shí)別和MFCC參數(shù)的相關(guān)應(yīng)用情況。

2016年4月~2016年6月：后期工作中組內(nèi)部分成員同軟件組（還是什么組？）共同合作完成了由算法向?qū)嶋H應(yīng)用的轉(zhuǎn)化，另一部分成員進(jìn)行了后續(xù)的算法優(yōu)化，添加了噪聲預(yù)處理環(huán)節(jié)，并期待利用支持向量機(jī)（SVM），K-均值聚類（K-means）等機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)更好的音色識(shí)別效果。

項(xiàng)目實(shí)施方案與原理

在MFCC參數(shù)提取方面，我們遵循[1]中所述的計(jì)算流程，編程實(shí)現(xiàn)了對(duì)一段語音的MFCC參數(shù)提取：

具體的編程環(huán)節(jié)這里暫時(shí)不介紹，從Mel刻度轉(zhuǎn)換后我們得到的MFCC參數(shù)多達(dá)40余個(gè)，為了避免特征泛化導(dǎo)致識(shí)別率降低，我們需要對(duì)這些特征進(jìn)行篩選。還好這個(gè)工作已經(jīng)有人替我們完成[2]，通過離散傅里葉變換（DCT），我們可以得到需要的C2~C16的特征值作為說話人的音色描述子。用了別人的工作，我們還應(yīng)該本著嚴(yán)謹(jǐn)?shù)膽B(tài)度對(duì)其進(jìn)行驗(yàn)證。這里我們?cè)O(shè)計(jì)一個(gè)二類分類實(shí)驗(yàn)，利用SVM來進(jìn)行音色描述子優(yōu)劣的描述。利用現(xiàn)有數(shù)據(jù)庫的測(cè)試數(shù)據(jù)，我們實(shí)現(xiàn)了如下的測(cè)試結(jié)果：

SVM十次十折實(shí)驗(yàn)利用MFCC參數(shù)作為特征可實(shí)現(xiàn)97.5%的識(shí)別準(zhǔn)確率。

SVM再處理多類分類問題時(shí)存在著運(yùn)算速度和效率上的限制，從這一點(diǎn)考慮，我們先使用了最簡(jiǎn)單的最小歐式距離法進(jìn)行識(shí)別，該算法在小參考集下運(yùn)算速度較快，但大參考集時(shí)運(yùn)算耗時(shí)會(huì)嚴(yán)重增長(zhǎng)，為了解決這個(gè)問題，我們提出了使用K-means聚類+最小歐式距離結(jié)合的方法，利用聚類算法，將大型的數(shù)據(jù)集分成若干個(gè)小的數(shù)據(jù)集，并且以聚類中心作為該集合的label，識(shí)別過程中首先進(jìn)行類間匹配，接下來再進(jìn)行類內(nèi)匹配。

算法上的項(xiàng)目創(chuàng)新點(diǎn)有二：

其一，首次使用MFCC參數(shù)作為歌手的識(shí)別推薦系統(tǒng)下，需要解決很多噪聲處理和歌手特征提取的難題；

其二，在識(shí)別過程中采用了無監(jiān)督學(xué)習(xí)和有監(jiān)督學(xué)習(xí)結(jié)合的方法，加快識(shí)別速度。

不足之處的反思

目前采用的特征還只是MFCC參數(shù)這一個(gè)角度，特征的類型較為單一，在未來的研究中，可以增加一些更為有效的特征作為音色的描述，同時(shí)，可以引進(jìn)更大的標(biāo)準(zhǔn)數(shù)據(jù)庫，在互聯(lián)網(wǎng)上利用爬蟲等數(shù)據(jù)挖掘手段收集更多的明星聲音來擴(kuò)充我們的標(biāo)準(zhǔn)庫。作為一款?yuàn)蕵窇?yīng)用，這個(gè)APP已經(jīng)具備了初步市場(chǎng)化的能力，但是一首歌終究還是由音色，音調(diào)和節(jié)奏等多方面組成，我們推薦結(jié)果的好壞是一個(gè)取決于APP使用者很主觀的評(píng)價(jià)準(zhǔn)則。如何實(shí)現(xiàn)APP的可持續(xù)發(fā)展，如何讓APP保持活力，維持用戶數(shù)量和用戶活躍度等等都是很不確定的因素。