我正在为教育目的工作/研究一个项目创意，并希望做一个关于语音识别的项目，没有什么大不了的，只是一个让我开始进入该领域的介绍。基本上，项目和算法将接受（.wav）文件的输入，然后识别说话的人是说"是"还是说"否"。我希望使用线性预测编码。
基本上，在我的脑海中，我正在考虑以下算法：
- 将.wav（原始数据）读入向量
- 将矢量拆分为大小相等的块
- 处理每个模块的特定特性
- 查找其型号最有可能与生成的电话串匹配的单词。
然后，我想使用相关性等相似性度量来找到正确的电话。
所以，基本上，在数据文件被读入之后，并分成块。它应该/将包含如下：
rawdata =
[0] => 'Y',
[1] => 'E',
[2] => 'S'
或者将包含频率结果，然后可以与电话进行比较。
我的问题是，这看起来是否是一个很好的算法来解决问题。
我的下一个问题：
当我尝试将.wav文件读入内存时，我得到（有点）以下结果。
20 30 10 30 40 50 .. 20 20 .. 10 20 .. 60 40
10 20 30 40 50 60 ... .. . . . .
它们都是整数值，所以，一旦我获取了所有标头信息。其余的数据是我需要转换为正确介质的，然后这就是数据..？我有点困惑。
希望有人可以帮助我，而且，我已经正确地写出了问题。谢谢。
如果你不相信我的意见，不，这不是一个好的算法。
首先，人们说话的速度不同，他们也用不同的速度发音字符。您不能从随机切片输入数据开始。
其次，为了获得一些好的结果，您需要大幅降低输入的噪声。您需要专注于人类语音最常使用的频率。然后你需要一些东西来识别元音，然后你尝试猜测单词，你需要一些真实的数据。不过，您可能不会得到任何可用的。
回答你关于 WAW 文件的问题，那就是标题 + 数据，我不知道标题，但由于 WAW 是一种古老的格式，因此获得一些文档并不难。
数据部分是一个整数值数组，即给定时刻声音的强度。对于44 kHz waw文件，强度每秒测量44 000次，并存储。它只是原始数字，根本没有压缩（有没有想过为什么 WAW 文件如此之大？）除了标头，它告诉您采样率和整数类型（通常为 16 位）等。
您分析这些庞大的数据以获取有关所用频率的一些信息，但是在开始之前，您应该真正研究声音的数学和所有内容。哎呀，即使我不确定我能写一些东西，成功识别大约一半的 3 个字母的单词。