[论文解读] Voice Recognition Algorithms using Mel Frequency Cepstral Coefficient (MFCC) and Dynamic Time Warping (DTW) Techniques

Lindasalwa Muda, M. Humrosia Begam+1 more|arXiv (Cornell University)|Mar 22, 2010

Music and Audio Processing参考文献 6被引用 821

一句话总结

本文提出一种基于梅尔频率倒谱系数（MFCC）进行特征提取、动态时间规整（DTW）进行序列匹配的语音识别系统。结果表明，MFCC能有效捕捉与感知相关的语音特征，而DTW则通过非线性对齐语音模式，补偿了语音中的时间变异，实现了高精度的说话人识别。

ABSTRACT

Digital processing of speech signal and voice recognition algorithm is very important for fast and accurate automatic voice recognition technology. The voice is a signal of infinite information. A direct analysis and synthesizing the complex voice signal is due to too much information contained in the signal. Therefore the digital signal processes such as Feature Extraction and Feature Matching are introduced to represent the voice signal. Several methods such as Liner Predictive Predictive Coding (LPC), Hidden Markov Model (HMM), Artificial Neural Network (ANN) and etc are evaluated with a view to identify a straight forward and effective method for voice signal. The extraction and matching process is implemented right after the Pre Processing or filtering signal is performed. The non-parametric method for modelling the human auditory perception system, Mel Frequency Cepstral Coefficients (MFCCs) are utilize as extraction techniques. The non linear sequence alignment known as Dynamic Time Warping (DTW) introduced by Sakoe Chiba has been used as features matching techniques. Since it's obvious that the voice signal tends to have different temporal rate, the alignment is important to produce the better performance.This paper present the viability of MFCC to extract features and DTW to compare the test patterns.

研究动机与目标

• 开发一种基于数字信号处理技术的可靠且高效的语音识别系统。
• 解决语音信号中时间可变性带来的挑战，该挑战使得语音模式的直接比较变得复杂。
• 评估MFCC作为特征提取方法的有效性，该方法能模拟人类听觉感知。
• 研究DTW作为非线性对齐语音序列的鲁棒匹配技术的适用性。
• 证明MFCC与DTW结合在实现高精度自动语音识别方面的可行性。

提出的方法

• 在特征提取前对原始语音信号进行预处理，以去除噪声并提高清晰度。
• 应用梅尔频率倒谱系数（MFCC）提取反映人类听觉感知的频谱特征。
• 使用离散傅里叶变换（DFT）和梅尔尺度滤波器组，将频谱转换为感知加权系数。
• 应用动态时间规整（DTW）对具有可变语速的语音序列进行对齐与比较。
• 通过最小化测试信号与参考信号特征向量之间的累积距离，实现DTW的代价函数。
• 使用DTW将测试语音模式与存储的参考模板数据库进行匹配，以识别最接近的匹配项。

实验结果

研究问题

• RQ1 MFCC能否有效从语音信号中提取用于语音识别的判别性特征？
• RQ2 在模式匹配过程中，DTW在处理语音信号中的时间变异方面表现如何？
• RQ3 MFCC-DTW组合在不同语速下识别说话人的性能如何？
• RQ4 与LPC或HMM等其他方法相比，MFCC-DTW方法在孤立词识别中是否更具鲁棒性？
• RQ5 该方法能否在计算开销最小的前提下实现实时应用中的高精度？

主要发现

• MFCC通过强调关键听觉频带，为语音信号提供了紧凑且与感知相关的表示。
• DTW成功对齐了具有可变时长的语音序列，即使在语速不同的情况下也能提高匹配精度。
• MFCC与DTW的结合在孤立词或说话人识别任务中实现了高识别准确率。
• 由于其非参数特性，该方法计算效率高，适用于实时应用。
• 系统对音高和语速变化表现出鲁棒性，适合实际部署。
• 与LPC等传统方法相比，该方法在复杂条件下的简单性与识别稳定性方面表现更优。