1
3

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

More than 3 years have passed since last update.

勉強:話者認識

Posted at

概要

paiza の話者認識について勉強。理解したことを記載する。
https://paiza.jp/works/ai_ml/primer/ml-challenge2
まだ完全には理解できていないので、間違いがあるかも?
判明次第修正予定。

前提として

音とは

Wikipediaから引用

物理学においては、音とは物体を通して縦波として伝わる力学的エネルギーの変動のことであり、波動としての特徴(周波数・波長・周期・振幅・速度など)を持つ音波として表せる。

音の高低

音の高さは周波数によって決まる。
音が低い場合は周波数が低く、高い場合は周波数が高い。

波の分解

周期性を持った波は、単純な波に分解できる。
ex. フーリエ変換

使用するライブラリ

librosa

音楽、音の分析に使うライブラリ。
https://librosa.github.io/librosa/

sklearn

SVMを使うため使用する。

Wikipediaから引用

サポートベクターマシン(英: support vector machine, SVM)は、教師あり学習を用いるパターン認識モデルの一つである。

学習した内容

単純な音声データでの予測から、フーリエ変換を使った予測精度の改善、MFCCを使った予測を学習。

単純な音声データでの予測

正解数は4/12で、システムに組み込むには予測精度が低すぎる。

フーリエ変換を使った予測精度の改善

パワースペクトルを特徴として使用。
SVMのパラメータを変更したところ、正解数が増えている。
正解数は8~10/12とそれなり。システムに組み込むには予測精度の低いと感じる。

複数の特徴量を使った予測

1つの音声から複数の特徴量を抽出する。
パワースペクトログラムを分割し、複数の特徴量として使う。
正解数はフーリエ変換を使った予測と変わらず。

キーワード: 短時間フーリエ変換、パワースペクトログラム

MFCCを使った予測

正解数は12/12となった。
システムに組み込めそうだが、もう少しテスト数を増やして確認したい。

今度やってみたいこと

今後こんなことをやってみたい。

  • 同一の音声データをwavとmp3に変換して比較
  • 10分程度の音声データの比較
1
3
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
1
3

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?