搜索资源列表
lpcdaopu
- 可以求出语音信号的LPC倒谱特征向量，该特征向量在语音信号分析中得到了广泛的应用。-voice signal can be obtained by LPCCEP eigenvector, the eigenvector of the voice signal analysis has been widely used.
Mel_RBF
- 基于Mel倒谱特征和RBF网络的孤立词语音识别方法-Mel-based cepstral features and RBF networks isolated word speech recognition method
xiaobo
- 一个介绍小波变换在语音里面的倒谱应用，对语音识别学习用帮助-Introduced a wavelet transform in cepstral voice inside applications, on learning to use speech recognition to help
speech
- 本文首先总结了现有典型的语音端点检测算法，分析了其中几种 端点检测算法所选用的特征，给出了仿真结果和一些改进。随后提出 了噪声环境下两种语音端点检测新算法。算法一:从基于人耳的听觉 系统出发，对Mel标度滤波器组进行研究，提出了语音信号的一种新 的自适应时频参数，该参数既考虑了声道响应，又符合人耳听觉特性， 仿真结果表明了它的优越性。算法二:结合抗噪性能好的Mel倒谱距 离和多带能量嫡特征提出了一种改进的孤立词端点检测算法，该算法 不需要估计背景噪声来调整门限闽值，仿
97288435Speech_signal_short_time_analysis
- 关于双门限法的语音端点检测，及其量化和LPCC算法及倒谱参数的计算-limit on the two-door method of voice endpoint detection, and quantification and LPCC algorithm and Cepstrum calculations.
Pitch_Tracker-1.0.tar.Zip
- 包括倒谱基音周期混合特征系数的话者识别，能频积端点检测、语音基音周期检测等C++源代码，本人整理编译过，比较紧凑高效-Including Pitch cepstrum coefficient of the mixed features of speaker recognition, to plot frequency endpoint detection, voice, etc. Pitch Detection C++ source code, I compiled collate, compa
MFCC
- 为了实现高速语音特征参数的提取，在分析了美尔频率倒谱特征参数提取算法的基础上，提出了算法的硬件 设计方案，介绍了各模块的设计原理。该方案增加了语音激活检测功能，可对语音信号中的噪音帧进行检测，提高了特征参 数的可靠性。-In order to achieve high-speed voice characteristic parameter extraction, in the analysis of Mel frequency cepstral feature extraction a
safjfd
- 首先分析了典型说话人识别系统的各关键技术，详细分析了矢量量化技术在 说话人识别中的应用，研究了码本训练算法以及说话人判别算法，对算法中各参 数值的选取进行了讨论 其次根据系统的需求建立一个小的语音库，录制语音信 号，并对采集的语音信号进行预处理，检测语音信号的起始端点 在MATLAB 环境下仿真说话人识别系统，验证系统设计方案的可行性:特征提取阶段，提取 语音信号的12阶美尔倒谱系数以及各阶倒谱系数对应的1阶差分倒谱系数，在 训练阶段，采用分裂法和GLA算法相结合的矢量量
yuyinshiyupinyufenxi
- 语音信号的时域频域分析，从短时能量到语谱图，以及线性预测参数和梅尔倒谱系数-Speech signal in time domain frequency domain analysis, from the short-term energy to the spectrogram, and the linear prediction parameters and the Mel cepstral coefficients, etc.
voice_prcossing
- 语音增强，倒谱，端点检测，共振峰检测，去噪-Speech enhancement, cepstrum, endpoint detection, formant detection, denoising
Speechrecognitiontechnology
- 比较详尽的介绍了语音识别系统的实现过程，以及相关技术。 端点检测：基于短时能量和短时平均过零率的端点检测和基于倒谱特征的端点检测 特征参数提取：LPCC和MFCC 参数模板存储：HMM和N_Gram 识别阶段：DWT 各阶段的相关技术都给了详细的介绍，绝对是好东西！-More detailed introduction to the speech recognition system implementation process and related technologie
speech
- 这是一段语音识别的c++源程序，包括预处理，端点检测，线性倒谱系数，dtw算法模式匹配。-This is a speech recognition c++ source, including preprocessing, detection, linear cepstrum, dtw algorithm for pattern matching.
YUYIN
- 语音采集c++程序，包括端点检测，线性预测倒谱系数，dtw模式匹配等函数，-this is a program about speech recogenition
voice
- 采用增减特征分量的方法研究了MFCC 各维倒谱分量对说话人识别和语音识别的贡献-Changes in characteristics of components using the method of the MFCC cepstrum of each dimensional component of the speaker recognition and speech recognition of the contribution
Voice Discern For STM32F
- 于市售 STM32 开发板上实现特定人语音识别处理项目。识别流程是：预滤波、ADC、分帧、端点检测、预加重、加窗、特征提取、特征匹配。端点检测(VAD)采用短时幅度和短时过零率相结合。检测出有效语音后，根据人耳听觉感知特性,计算每帧语音的 Mel 频率倒谱系数(MFCC)。然后采用动态时间弯折(DTW)算法与特征模板相匹配,最终输出识别结果。先用Matlab对上述算法进行仿真，经数次试验求得算法内所需各系数的最优值。而后将算法移植到 STM32 开发板上，移植过程中根据 STM32 上存储空间相
源代码
- 用倒谱法求基因周期，先计算倒谱，在预期的基因周期附近寻找峰值。 用倒谱法进行共振峰检测(Using cepstrum to find the gene cycle Formant detection using cepstrum method)
matlab
- 语音信号的短时分析，主要包括：分帧、短时能量、短时平均幅度、短时过零率、短时自相关函数、短时幅度差、倒谱、复倒谱、lpc系数、lpc谱估计等(The short-time analysis of speech signal mainly includes: frame, short-time energy, short time average amplitude, short-time zero crossing rate, short-time autocorrelation functio
语音聚类示例
- 实验示例是基于语音中的mfcc，语音倒谱特征来进行聚类，先利用训练样本来计算训练样本聚类中心（用到了lbg算法），之后再进行分类。 注意：使用代码时需要自己更改文件路径。(This example is based on the MFCC in speech and the feature of speech Cepstrum to cluster. First, the training sample is used to calculate the training sample clus
171724210736171
- MFCC：Mel频率倒谱系数的缩写。Mel频率是基于人耳听觉特性提出来的，它与Hz频率成非线性对应关系。Mel频率倒谱系数(MFCC)则是利用它们之间的这种关系，计算得到的Hz频谱特征。(Speech signal feature extraction)
audio_tezheng
- 语音信号的时域、频域与倒谱域分析。 1.分析一帧清音和浊音的自相关函数和倒谱系数 2.用Matlab画出该段语音的时域波形、短时能量、短时平均幅度、短时过零率、短时过电平率 3.选择一帧无声、清音和浊音的语音，用Matlab画出它们的对数幅度谱(Time domain, frequency domain and cepstrum domain analysis of speech signals. 1. Analyze the autocorrelation function and c