تشخیص صدا با الگوریتم MFCC پیاده سازی با متلب

پروژه تشخیص صدا با الگوریتم MFCC با متلب

در این پست پروژه تشخیص صدا با الگوریتم MFCC با متلب را آماده کرده ایم که در ادامه به شرح مختصری از تشخیص صدا و گفتار و الگوریتم MFCC پرداخته و فیلم و تصاویری از خروجی پروژه را نشان داده ایم.

هدف اصلی از تشخیص خودکار زبان ، شناسایی صحبت انجام شده با سرعت و با دقت می باشد که کاربردهای بسیار وسعی دارد. تا به امروز، انسان ها دقیق ترین سیستم های تشخیص زبان در جهان هستند.

در طی سال هاي اخير، كاربرد سيستم های تشخیص صدا و گفتار بسیار افزايش یافته است. يكی از اين مشكلات وجود تنوعات گفتار در شرايط متنوع صوتي می باشد كه اين سيستم ها در آنها کاربرد دارد. اين تنوعات به دلیل منابعی مانند انواع كانال صوتی، لهجه ها و شيوه های مختلف گويش، نويز اضافه شونده، مشخصات ميكروفن و … هستند.

توضیحات بیشتر، فیلم و تصاویری از خروجی پروژه تشخیص صدا با الگوریتم MFCC با متلب در ادامه مطلب.

به منظور استخراج ویژگی های مورد نیاز، ابتدا سیگنال گفتار به پنجره های کوتاهی با طول مثلا 20 میلی ثانیه که با هم همپوشانی دارند تقسیم می شود. به دلیل اینکه که مشخصات سیگنال گفتار و مجاری گفتار در حین بیان یک گویش تغییر می یابد. بنابراین، سیگنال گفتار سیگنالی غیر ایستا می باشد و خواص آماری آن در طول زمان تغییر می کند. اما از آنجا که اندام های گفتار به کندی تغییر حالت می دهند یا انسان نمی تواند آنها را سریع تراز حد خاصی تغییر دهد، در بازه های زمانی کوتاهی می توان آن را سیگنال انسان فرض نمود.

یکی از معروفترین روش های استخراج ویژگی برای تشخیص زبان گفتاری MFCC می باشد که بخشهای اصلی آن به صورت زیر است:

در مرحله اول سیگنال صحبت به فریم های 23 میلی ثانیه تقسیم شده، سپس به جهت کاهش اثر ناپیوستگی لبه از پنجره همینگ عبور داده می شود. آنگاه طیف سیگنال، محاسبه شده و از فیلتر بانک مل عبور می کند. از انرژی بدست آمده از مرحله قبل لگاریتم گرفته و در مرحله آخر از DTC استفاده می شود. فراینده فوق در شکل زیر آمده است.

ضرایب MFCC یا Mel Frequency Cepstral Coefficient به معنی ﺿﺮاﯾﺐ ﮐﭙﺴـﺘﺮال ﻓﺮﮐﺎﻧﺴـﯽ ﻣـﻞ ، الهام گرفته از خواص شنیداری گوش انسان در دریافت و فهم گفتار می باشد.

تصاویر خروجی پروژه تشخیص صدا با الگوریتم MFCC :

تصویر خروجی 1:

تصویر خروجی 2:

تصویر خروجی 3:

تصویر خروجی 4:

تصویر خروجی 5:

تصویر خروجی 6:

تصویر خروجی 7: