Comparative Analysis of Mel-Frequency Cepstral Coefficients and Wavelet Based Audio Signal Processing for Emotion Detection and Mental Health Assessment in Spoken Speech
Bowie State University（鲍伊州立大学）
本研究比较CNN和LSTM模型在小波特征与MFCCs上的语音情感检测性能，CNN准确率61%优于LSTM的56%，并提出改进建议以助力心理健康评估。
2024-12-12 cs.LG cs.SD eess.AS
Text Independent Speaker Identification System for Access Control
University of Ibadan（伊巴丹大学）
即使是人类智能系统也无法100%准确地识别特定个人的讲话。机器智能试图通过各种语音特征提取和语音建模技术来模拟说话人识别问题。本文提出了一个与文本无关的说话人识别系统，采用梅尔频率倒谱系数（MFCC）的特征提取和k-最近邻（kNN）的分类。交叉验证的最大准确度为60%。这将在后续研究中得到改进。
2022-09-26 cs.LG cs.SD eess.AS
Optimization of data-driven filterbank for automatic speaker verification
Université de Lorraine（洛林大学）；CNRS（法国国家科学研究中心）；Inria（法国国家信息与自动化研究所）；LORIA（洛林计算机科学与应用研究实验室）
大多数的语音处理应用程序使用三角形滤波器在梅尔尺度间隔的特征提取。在本文中，我们提出了一种新的数据驱动的滤波器设计方法，优化滤波器参数从一个给定的语音数据。首先，我们介绍了一种基于帧选择的方法，用于开发基于语音信号的频率弯曲尺度。然后，我们提出了一种新的方法来计算滤波器的频率响应，通过使用主成分分析（PCA）。与最近引入的基于深度学习的方法相比，所提出的方法的主要优点是它需要非常有限的未标记语音数据。我们证明，建议的滤波器组有更多的发言人区分能力比常用的梅尔滤波器组以及现有的数据驱动滤波器组。我们进行自动说话人确认（ASV）实验与不同的语料库使用各种分类器后端。我们发现，在大多数情况下，建议的滤波器组创建的声学特征优于现有的梅尔频率倒谱系数（MFCC）和基于语音信号的频率倒谱系数（SFCC）。在VoxCeleb 1和流行的i-vector后端的实验中，我们观察到MFCC的等错误率（EER）相对提高了9.75%。类似地，最近引入的x向量系统的相对改进为4.43%。我们得到进一步的改进，融合所提出的方法与标准的基于MFCC的方法。
2020-07-21 cs.CV cs.SD eess.AS
Embedding a Differentiable Mel-cepstral Synthesis Filter to a Neural Speech Synthesis System
Nagoya Institute of Technology（名古屋工业大学）；Techno-Speech, Inc.（Techno-Speech公司）
本文将经典的梅尔倒谱合成滤波器集成到现代神经语音合成系统中，实现端到端可控的语音合成。由于梅尔倒谱合成滤波器显式地嵌入在所提出的系统中的神经波形模型中，语音特性和合成语音的音高分别通过频率弯曲参数和基频进行高度控制。我们实现了梅尔倒谱合成滤波器作为一个微分和GPU友好的模块，使所提出的系统中的声学和波形模型，以端到端的方式同时优化。实验表明，该系统提高了语音质量从基线系统保持可控性。实验中使用的核心PyTorch模块将在GitHub上公开。
2022-11-21 cs.CL cs.SD eess.AS
A text-independent speaker verification model: A comparative analysis
语音生物识别领域最紧迫的挑战是选择最有效的说话人识别技术。每个人的声音都是独特的，像发音器官，口音和发音的物理差异等因素导致了问题的复杂性。在本文中，我们探讨了说话人识别过程中每个块中可用的各种方法，目的是确定可用于获得精确结果的最佳技术。我们在文本无关语料库上研究了这一结果。我们使用MFCC（梅尔频率倒谱系数），LPCC（线性预测倒谱系数）和PLP用于特征提取的感知线性预测算法（主成分分析）和tSNE进行降维和SVM（支持向量机），前馈，最近邻法和决策树算法对说话人识别系统中的分类块进行分类，并对每个分类块进行比较分析，技术
2017-12-04 cs.SD eess.AS
Pronunciation recognition of English phonemes /\textipa{@}/, /æ/, /\textipa{A}:/ and /\textipa{2}/ using Formants and Mel Frequency Cepstral Coefficients
National University of Colombia（哥伦比亚国立大学）
华盛顿大学的Vocal Joystick Vowel Corpus用于研究以英语为母语的人发出的单元音。本研究的目的是定量测量语音识别方法可以区分相似发音元音的程度。特别是，分析了音素/ \textipa{@} /、//、/ \textipa{A}：/和/ \textipa{2} /。对748个语音文件进行线性预测编码（LPC）和Mel倒谱系数（MFCC）计算。使用决策树分类器来构建预测模型，该预测模型学习数据集中测量的两个前共振峰的模式以及13个倒谱系数的模式。使用共振峰为提到的音素的准确性达到70%。对于MFCC分析，达到52%的准确度，当/ \textipa{@} /被忽略时，准确度为71%。所获得的结果表明，所研究的算法远不能模仿人类听觉那样区分声音中细微差异的能力。
2017-02-23 cs.CL cs.SD
A Multi Level Data Fusion Approach for Speaker Identification on Telephone Speech
National Engineering School of Tunis（突尼斯国家工程学院）；Université Tunis El Manar（突尼斯埃尔马纳尔大学）
几种说话人辨识系统在干净语音的情况下给出了良好的性能，但是受到由噪声音频条件引入的降级的影响。为了解决这个问题，我们研究了使用不同层次的互补信息来计算未知说话者的组合匹配分数。在这项工作中，我们观察了两种监督机器学习方法，包括支持向量机（SVM）和朴素贝叶斯（NB）的效果。我们定义了两个特征向量集的基础上梅尔频率倒谱系数（MFCC）和相对频谱感知线性预测系数（RASTA-PLP）。每个特征使用高斯混合模型（GMM）建模。结合这些信息源的几种方法给出了显着的改进，在文本无关的说话人辨识任务，使用一个非常大的电话退化NTIMIT数据库。
2014-06-27 cs.LG cs.SD
Music Genre Classification: A Comparative Analysis of CNN and XGBoost Approaches with Mel-frequency cepstral coefficients and Mel Spectrograms
University of California, Davis（加利福尼亚大学戴维斯分校）
本研究比较了CNN、VGG16和XGBoost在30秒Mel频谱图与3秒MFCCs特征下的音乐流派分类性能，发现MFCC XGBoost模型表现最佳，且数据分割能显著提升CNN性能。
2024-01-09 cs.AI cs.SD eess.AS
Emirati Speaker Verification Based on HMM1s, HMM2s, and HMM3s
University of Sharjah（沙迦大学）
这项工作的重点是在中立的谈话环境中的阿联酋说话人验证系统的基础上的每一个一阶隐马尔可夫模型（HMM1），二阶隐马尔可夫模型（HMM2），和三阶隐马尔可夫模型（HMM3）作为分类器。这些系统已被评估我们收集的阿联酋语音数据库，其中包括25名男性和25名女性阿联酋扬声器使用梅尔频率倒谱系数（MFCC）作为提取的功能。我们的研究结果表明，HMM3优于每一个HMM1和HMM2的文本无关的阿联酋语说话人验证。基于HMM3s得到的结果接近于人类听者主观评估中得到的结果。
2017-07-02 cs.SD
A Comparative Re-Assessment of Feature Extractors for Deep Speaker Embeddings
University of Eastern Finland（东芬兰大学）；CNRS（法国国家科学研究中心）；Inria（法国国家信息与自动化研究所）
现代自动说话人验证在很大程度上依赖于在梅尔频率倒谱系数（MFCC）特征上训练的深度神经网络（DNN）。虽然有基于相位，韵律和长期时间操作的替代特征提取方法，但它们尚未被基于DNN的方法广泛研究。我们的目标是通过对VoxCeleb和SITW数据集上的14个特征提取器进行广泛的重新评估来填补这一空白。我们的研究结果表明，配备频谱质心，群延迟函数和综合噪声抑制等技术的功能为深层说话人嵌入提取提供了有前途的替代方案。实验结果表明，等错误率（EER）相对于基线降低了16.3%（VoxCeleb）和25.1%（SITW）。
2020-07-30 cs.LG cs.SD eess.AS
Improving Performance of Speaker Identification System Using Complementary Information Fusion
Indian Institute of Technology, Kharagpur（印度理工学院卡拉格普尔分校）
特征提取作为说话人辨识（SI）过程的前端处理模块，起着重要的作用。大多数SI系统利用梅尔频率倒谱系数（MFCC）、感知线性预测（PLP）、线性预测倒谱系数（LPCC）等作为表征语音信号的特征。它们的推导都是基于对语音信号的短时处理，并且它们试图捕捉声道信息，而忽略了声带的贡献。声带线索在SI上下文中同样重要，因为像基音频率、残留信号中的相位等信息可以传达重要的说话者特定属性，并且与频谱特征集中包含的信息互补。在本文中，我们提出了一种新的特征集提取的残差信号的LP建模。高阶统计矩被用来发现残差信号中的非线性关系。为了充分利用声带判决值和声道判决值的互补性，将两者进行融合。在两个公共数据库上的实验结果表明，融合模式系统优于单一光谱特征。
2011-05-16 cs.MM cs.SD
Speaker Identification in Shouted Talking Environments Based on Novel Third-Order Hidden Markov Models
University of Sharjah（沙迦大学）
在这项工作中，我们提出，实施和评估新的模型，称为三阶隐马尔可夫模型（HMM3），以提高低性能的文本无关的说话人辨识大声说话的环境。我们收集的语音数据库，使用梅尔频率倒谱系数（MFCC）所提出的模型进行了测试。我们的结果表明，与二阶隐马尔可夫模型（HMM 2）和一阶隐马尔可夫模型（HMM 1）相比，HMM 3分别将此类谈话环境中的说话人辨识性能显着提高了11.3%和166.7%。基于所提出的模型所取得的结果接近人类听者的主观评价。
2017-07-01 cs.SD
Robust Support Vector Machines for Speaker Verification Task
USTHB（阿尔及尔理工大学）
说话人确认的一个重要步骤是提取最能表征说话人语音的特征。本文研究了一种前端处理方法，旨在提高基于支持向量机分类器的文本独立模式下的说话人确认性能。该方法结合传统的梅尔倒谱系数（MFCC）和线性频谱频率（LSF）的基础上的功能，构成强大的多变量特征向量。为了减少训练这些特征向量所需的高维数，我们使用了一种称为主成分分析（PCA）的降维方法。为了评估这些系统的鲁棒性，已经使用了不同的噪声环境。使用TIMIT数据库获得的结果表明，使用结合这些光谱线索的范例导致验证精度的显着提高，特别是在低信噪比噪声环境下的PCA减少。
2013-06-12 cs.LG cs.SD stat.ML
Improving the performance of an ASV system using hybrid speech features
研究旨在通过结合不同信号表示的混合特征集提升ASV系统性能，从MFCC、CQCC到RAB描述符，在谷歌语音命令数据集上于干净及有噪声场景实验，结果显示混合特征集（PNCC+RAB）能提高有噪声时的说话人验证性能。
2026-07-24 cs.HC cs.SD
The SYSU System for the Interspeech 2015 Automatic Speaker Verification Spoofing and Countermeasures Challenge
SYSU（中山大学）
许多现有的说话人验证系统被报道容易受到不同的欺骗攻击，例如说话人自适应语音合成，语音转换，播放等，为了检测这些欺骗语音信号作为对策，我们提出了一个分数级融合方法与几个不同的i-向量子系统。我们表明，声学水平梅尔频率倒谱系数（MFCC）的功能，相位水平修改的群延迟倒谱系数（MGDCC）和语音水平音素后验概率（PPP）串联功能是有效的对策。此外，在i向量建模之前对这些特征进行特征级融合也提高了性能。采用多项式核支持向量机作为监督分类器。为了提高对策的泛化能力，还采用余弦相似度和PLDA评分作为一类分类方法。通过将所提出的i向量子系统与覆盖声学和韵律信息的OpenSMILE基线相结合，进一步提高了最终性能。所提出的融合系统在INTERSPEECH 2015自动说话人验证欺骗和对策挑战提供的数据库的开发和测试集上实现了0.29%和3.26%的EER。
2015-07-29 cs.CL cs.SD
Dataset of raw and pre-processed speech signals, Mel Frequency Cepstral Coefficients of Speech and Heart Rate measurements
King Khalid University（国王哈利德大学）；Aligarh Muslim University（阿里格尔穆斯林大学）
心率是用于诊断许多医学状况的重要生命体征。常规地，使用诸如脉搏血氧计的医疗设备来测量心率。诸如心率之类的生理参数与个体的语音特性相关。因此，有可能使用机器学习和深度学习从语音信号中测量心率，这也将允许对患者进行非侵入性、非接触式和远程监测。然而，为了设计这种方案并验证其准确性，有必要在记录期间同时收集语音记录以及使用医疗设备测量的心率。本文提供了一个数据集以及用于创建数据集的过程，该数据集可用于促进开发通过观察语音信号来准确估计心率的技术的研究。
2020-02-25 cs.SD eess.AS eess.SP
Multi-speaker Recognition in Cocktail Party Problem
Beijing University of Posts and Telecommunications（北京邮电大学）
本文提出了一种新颖的统计决策理论来实现鸡尾酒会问题中的多说话人识别任务。该理论假设说话人的不同频率服从高斯分布，并且他们之间的声纹关系可以用欧氏距离向量来表示。本文利用梅尔倒谱系数提取语音的特征，用于判断多说话人环境中是否包含说话人，并区分说话人是谁。最后，为了全面考虑总体影响因素，通过对说话人曼哈顿距离的映射，建立了一个13维星座图。
2017-12-05 cs.SD eess.AS
Deep Learning for Speaker Identification: Architectural Insights from AB-1 Corpus Analysis and Performance Evaluation
University of Malta（马耳他大学）
针对安全、法医和个性化服务中的说话人识别任务，研究基于 AB-1 语料库比较六种深度学习架构，结合 Mel Spectrogram、MFCC、超参数调优及口音、性别与偏差分析评估性能。
2024-08-13 cs.AI cs.SD eess.AS
Combination of Time-domain, Frequency-domain, and Cepstral-domain Acoustic Features for Speech Commands Classification
University of Yamanashi（山梨大学）；Integrated Graduate School of Medicine, Engineering, and Agricultural Sciences（医学、工学与农学综合研究生院）
在语音相关的分类任务中，经常使用诸如对数Mel滤波器组系数（FBANK）的频域声学特征和诸如Mel频率倒谱系数（MFCC）的倒谱域声学特征。然而，时域特征在一些包含非声乐或弱语音相关声音的声音分类任务中表现得更有效。我们之前提出了一种称为位序列表示（BSR）的特征，这是一种基于原始波形的时域二进制声学特征。与MFCC相比，BSR在环境声音检测方面表现更好，并且在有限词汇量的语音识别任务中表现出相当的准确性。在本文中，我们提出了一种新的改进BSR功能称为BSR-float 16更精确地表示浮点值。我们使用Google提出的Speech Commands数据集，通过实验证明了时域，频域和倒谱域特征之间的互补性。因此，我们使用了一个简单的后端分数融合方法，以提高最终的分类精度。融合结果也表现出较好的噪声鲁棒性。
2022-06-17 cs.SD eess.AS
Prosodic-Enhanced Siamese Convolutional Neural Networks for Cross-Device Text-Independent Speaker Verification
West Virginia University（西弗吉尼亚大学）
本文提出了一种新的跨设备文本无关说话人确认架构。大多数用于说话人验证任务的最先进的深度架构都考虑Mel频率倒谱系数。相比之下，我们提出的Siamese卷积神经网络架构使用Mel频率谱图系数来受益于相邻谱时间特征的依赖性。此外，虽然频谱-时间特征已被证明是非常可靠的说话人确认模型，他们只代表说话人的声音的短期声学水平特性的一些方面。然而，人类的声音包括几个语言层次，如声学，词汇，韵律和语音，可以利用在说话人确认模型。为了弥补频谱-时间特征中的这些固有缺点，我们建议通过部署多层感知器网络来增强所提出的Siamese卷积神经网络架构，以结合韵律，抖动和闪烁特征。所提出的端到端验证架构同时执行特征提取和验证。与传统的信号处理方法和深度算法相比，该架构在跨设备说话人确认方面有了显著的改进。
2018-07-31 cs.CV cs.LG cs.SD
Speaker Recognition using Deep Belief Networks
Indian Institute of Information Technology, Allahabad（印度信息科学与技术研究所阿拉哈巴德分校）
诸如梅尔频率倒谱系数（MFCC）的短时间谱特征先前已经被部署在现有技术的说话人识别系统中，然而，较少注意可以通过生成学习模型从语音信号学习的短期谱特征。更高维度的编码器，如深度信念网络（DBN），可以通过更好地建模声波的统计结构来提高说话人识别任务的性能。在本文中，我们使用短期的频谱特征学习的DBN与MFCC功能增强执行说话人识别的任务。使用我们的功能，我们实现了0.95的识别准确率，而在ELSDSR数据集上使用独立的MFCC功能时为0.90。
2018-05-09 cs.SD eess.AS
MeWEHV: Mel and Wave Embeddings for Human Voice Tasks
Universidad de León（莱昂大学）；INCIBE (Spanish National Cybersecurity Institute)（西班牙国家网络安全研究所）
本文提出 MeWEHV 模型，结合预训练波形编码器嵌入与 CNN 提取的 MFCC 深度特征，在说话人、语言和口音识别任务上显著提升了现有模型的性能且计算成本较低。
2023-06-24 cs.SD eess.AS
Histogram Transform-based Speaker Identification
Pattern Recognition and Intelligent System Lab., Beijing University of Posts and Telecommunications（北京邮电大学模式识别与智能系统实验室，北京邮电大学）
提出了一种与文本无关的说话人辨识方法。该方法利用梅尔倒谱系数（MFCC）和相邻帧间的动态信息作为特征集来提取说话人特征。为了利用动态信息，我们设计了超级MFCC功能级联三个相邻的MFCC帧在一起。该方法通过随机变换产生更多的训练数据，实现了多变量直方图的概率密度函数（PDF）估计，解决了多变量直方图计算中经常出现的不连续性问题。与传统的概率密度函数估计方法（如高斯混合模型）相比，HT模型在信号完整性方面有很大的改善。
2020-02-02 cs.SD eess.AS stat.ML
Speaker Verification in Emotional Talking Environments based on Third-Order Circular Suprasegmental Hidden Markov Model
University of Sharjah（沙迦大学）
说话人确认的准确率在情感说话环境中不高，因为它是在中性的。本文基于三阶循环超音段隐马尔可夫模型（CSPHMM3）作为分类器，研究了在情感环境中说话人的语音识别问题。已被用来评估我们的工作与梅尔频率倒谱系数作为提取的特征的阿拉伯口音（阿拉伯语）的语音数据库。实验结果表明，基于CSPHMM3的说话人确认准确率高于基于高斯混合模型（GMM）、支持向量机（SVM）和矢量量化（VQ）等最新分类器和模型的说话人确认准确率。
2019-10-29 cs.SD eess.AS
Evaluating Gammatone Frequency Cepstral Coefficients with Neural Networks for Emotion Recognition from Speech
Ravenwood High School（雷文伍德高中）
当前语音情感识别的方法集中于能够捕获语音信号的情感内容的语音特征。梅尔倒谱系数（MFCC）是音频语音识别和分类中最常用的表示之一。本文提出了伽玛音频倒谱系数（GFCC）作为一个潜在的更好的表示语音信号的情感识别。MFCC和GFCC表示的有效性进行了比较和评估的情感和强度分类任务与完全连接和循环神经网络架构。实验结果证明了GFCC在语音情感识别中的性能优于MFCC。
2018-06-23 cs.CL cs.SD eess.AS
Optimizing Multi-Taper Features for Deep Speaker Verification
Université de Lorraine（洛林大学）；CNRS（法国国家科学研究中心）；Inria（法国国家信息与自动化研究所）；LORIA（洛林计算机科学及其应用研究中心）；University of Eastern Finland（东芬兰大学）
多锥度估计器提供低方差功率谱估计，其可用于代替加窗离散傅立叶变换（DFT）来提取语音特征，诸如梅尔频率倒谱系数（MFCC）。即使过去的工作报告了有前途的自动说话人验证（ASV）的结果与高斯混合模型为基础的分类器，多锥度MFCC与深ASV系统的性能仍然是一个悬而未决的问题。而不是一个静态锥度设计，我们建议优化多锥度估计器联合深神经网络训练ASV任务。在静态锥度的相等出错率方面，SITW语料库的最大改进为25.8%，我们的方法有助于保持泄漏和方差的平衡水平，提供更多的鲁棒性。
2021-10-21 cs.AI cs.SD eess.AS
The exploitation of Multiple Feature Extraction Techniques for Speaker Identification in Emotional States under Disguised Voices
University of Sharjah（沙迦大学）
由于人工智能的进步，说话人辨识（SI）技术带来了一个很大的方向，现在被广泛应用于各个部门。特征提取是语音识别的重要组成部分，它对语音识别的过程和性能有着重要的影响。因此，许多特征提取策略进行了深入的研究，对比和分析。本文利用五种不同的特征提取方法对情感环境下的伪装语音进行说话人辨识。为了评估这项工作显着，三个效果使用：高音，低音和电子语音转换（EVC）。实验结果表明，级联的梅尔频率倒谱系数（MFCC），MFCC的增量，和MFCC的增量是最好的特征提取方法。
2021-12-15 cs.CL cs.SD eess.AS
Parameterized Channel Normalization for Far-field Deep Speaker Verification
University of Eastern Finland（东芬兰大学）；CNRS（法国国家科学研究中心）；Inria（法国国家信息与自动化研究所）
本文提出了一种基于深度神经网络（DNN）的说话人嵌入提取器的远场说话人确认方法，其中注册和测试数据之间的不匹配通常来自卷积效应（例如房间混响）和噪声。为了减轻这些影响，我们专注于两个参数归一化方法：每通道能量归一化（PCEN）和参数化倒谱均值归一化（PCMN）。这两种方法都包含可微分参数，因此可以方便地集成到DNN中，并使用自动微分方法与DNN联合优化。我们考虑每种方法的固定和可训练（数据驱动）变体。我们评估的性能Hi-MIA，最近的大规模远场语音语料库，不同的麦克风和位置设置。我们的方法优于传统的梅尔滤波器组功能，最大的33.5%和39.5%的相对改善相等的出错率匹配麦克风和不匹配的麦克风条件下，分别。
2021-09-24 cs.AI cs.SD eess.AS
Emirati-Accented Speaker Identification in Stressful Talking Conditions
University of Sharjah（沙迦大学）
本研究致力于提高文本无关的印尼口音说话人辨识的性能，在紧张的谈话条件下使用三个不同的分类器：一阶隐马尔可夫模型（HMM1），二阶隐马尔可夫模型（HMM2），和三阶隐马尔可夫模型（HMM3）。这项工作中使用的数据库是从25个性别的阿联酋语母语者中收集的，他们在每个中立，大声，缓慢，大声，柔和和快速的谈话条件下说出8个广泛的阿联酋语句子。所捕获的数据库的提取的特征被称为梅尔频率倒谱系数（MFCC）。基于HMM1、HMM2和HMM3，在压力条件下的平均阿拉伯语口音说话人辨识准确率分别为58.6%、61.1%和65.0%。基于HMM3在压力条件下实现的平均说话人辨识准确度与人类听者在主观评估中实现的准确度非常相似。
2019-10-29 cs.CL cs.SD eess.AS
Adaptive Frequency Cepstral Coefficients for Word Mispronunciation Detection
Purdue University（普渡大学）
基于自动语音识别（ASR）技术的系统可以在计算机辅助语言学习应用中提供重要的功能。这是一个年轻但不断发展的研究领域，其动机是大量学习外语的学生。在这里，我们提出了一个隐马尔可夫模型（HMM）为基础的方法来检测发音错误。利用语言学习软件中使用的特定对话脚本，Humbers被训练用于不同的发音。新的自适应功能已经开发和获得通过自适应翘曲的频率尺度计算倒谱系数之前。用于翘曲函数的优化标准是在分类率方面最大化两个主要发音组（本地和非本地）的分离。实验结果表明，自适应频率尺度产生一个更好的系数表示导致更高的分类率相比，传统的HISTORY使用梅尔频率倒谱系数。
2016-02-25 cs.CV cs.SD
Turkish Voice Commands based Chess Game using Gammatone Cepstral Coefficients
Iskenderun Technical University（伊斯肯德伦技术大学）
这项研究的目的是使行动能力有限的人能够实时的下象棋，并与周围的人一起玩游戏，而不会受到任何社会困扰或压力。对50人（23名男性和27名女性）进行了录音。在记录声音时，使用了每个人的29个单词，这些单词被确定为玩游戏所必需的。使用Mel频率系数（MFCC）和伽马倒谱系数（GTCC）鉴定方法。此外，k-NN，朴素贝叶斯和神经网络分类方法用于分类。采用了两种不同的分类程序，即基于个人的分类和一般分类。按人分类的执行率为75%至98%，而一般分类的执行率超过84%。
2021-01-21 cs.SD eess.AS
On the Relevance of Bandwidth Extension for Speaker Verification
Escola Universitària Politècnica de Mataró (UPC)（马塔罗理工大学学院（加泰罗尼亚理工大学））
在本文中，我们考虑的窄带语音信号（0.3-3.4 kHz）的带宽扩展到0.3-8 kHz的说话人确认的效果。使用协方差矩阵为基础的验证系统与检测误差权衡曲线，我们比较系统的性能在窄带，宽带（0-8 kHz），和带宽扩展的语音。实验进行了不同的短时间频谱参数化来自麦克风和ISDN语音数据库。所研究的带宽扩展算法没有引入影响说话人验证任务的文物，我们实现了1%和10%（取决于模型的顺序）之间的改进设计用于窄带语音的验证系统时，梅尔频率倒谱系数的短时间频谱参数化被使用。
2022-04-05 cs.CR cs.SD eess.AS
Significance of Chirp MFCC as a Feature in Speech and Audio Applications
Sri Sivasubramaniya Nadar College of Engineering（斯里·西瓦苏布拉马尼亚·纳达尔工程学院）；Shiv Nadar University Chennai（钦奈希夫·纳达尔大学）
本文提出基于chirp z-transform的chirp MFCC特征，通过从chirp幅度谱计算Mel频率倒谱系数以改进频谱表示，实验证明其在语音-音乐分类、说话人识别和语音命令识别任务中均显著优于vanilla MFCC。
2024-02-19 cs.SD eess.AS eess.SP
Enhanced Heart Sound Classification Using Mel Frequency Cepstral Coefficients and Comparative Analysis of Single vs. Ensemble Classifier Strategies
National Yunlin University of Science and Technology（云林科技大学）；Sejong University（世宗大学）；Islamic Azad University（伊斯兰阿扎德大学）；Prince Sattam bin Abdulaziz University（萨塔姆·本·阿卜杜勒-阿齐兹亲王大学）；Taif University（塔伊夫大学）；Lebanese French University（黎巴嫩法国大学）；UNSW Sydney（新南威尔士大学）；Duy Tan University（维新大学）
本文研究基于MFCCs的心音分类，对比单一分类器与集成分类器策略，发现集成方法将DT和SVM准确率分别提升4.89%和1.64%，证明MFCCs优于时间、时频和统计特征。
2024-06-30 cs.AI cs.SD eess.AS
Investigating Multi-Feature Selection and Ensembling for Audio Classification
Mehran University of Engineering and Technology（梅赫拉工程技术大学）；ADAPT – Science Foundation Ireland Research Centre（ADAPT——爱尔兰科学基金会研究中心）；Dublin City University（都柏林城市大学）；Lero – the Irish Software Research Centre（Lero——爱尔兰软件研究中心）；National University of Ireland, Galway（爱尔兰国立高威大学）
深度学习（DL）算法在不同领域都表现出了令人印象深刻的性能。其中，音频在过去的几十年里吸引了许多研究人员，由于一些有趣的模式-特别是在音频数据的分类。为了获得更好的音频分类性能，特征选择和组合起着关键作用，因为它们有可能成就或破坏任何DL模型的性能。为了研究这一作用，我们对几种尖端DL模型的性能进行了广泛的评估（即，卷积神经网络、EfficientNet、MobileNet、超向量机和多感知器）与各种最先进的音频特征（即，Mel频谱图、Mel频率倒谱系数和过零率）独立地或作为组合（即，通过集成）在三个不同的数据集上（即，Free Spoken Digits Dataset、Audio Urdu Digits Dataset和Audio Gujarati Digits Dataset）。总体而言，结果表明特征选择取决于数据集和模型。然而，特征组合应当仅限于在单独使用时已经实现良好性能的特征（即，主要是Mel频谱图、Mel频率倒谱系数）。这样的功能组合/集成使我们能够超越以前的国家的最先进的结果，无论我们选择的DL模型。
2022-06-15 cs.LG cs.SD eess.AS
Spectral and Rhythm Features for Audio Classification with Deep Convolutional Neural Networks
Target Innovation AI
研究使用深度卷积神经网络评估多种频谱与节奏特征在音频分类中的表现，发现mel尺度频谱图和MFCCs效果显著最优。
2024-10-18 cs.AI cs.CV cs.LG
Audio Signal Processing Using Time Domain Mel-Frequency Wavelet Coefficient
University of York（约克大学）
针对MFCC缺乏时间信息且小波变换计算复杂的问题，提出时域Mel频率小波系数(TMFWC)方法，结合储备池计算显著提升音频信号处理效率。
2025-10-30 cs.AI cs.SD eess.AS
Spoken Language Identification Using Hybrid Feature Extraction Methods
本文介绍了混合鲁棒特征提取技术在口语识别系统中的应用。语音识别器使用信号的参数形式来获得语音信号的最重要的可区分特征以用于识别任务。本文将Mel频率倒谱系数（MFCC）、感知线性预测系数（PLP）以及两种混合特征用于语言识别。两个混合特征，树皮频率倒谱系数（BFCC）和修正的感知线性预测系数（RPLP）的组合获得的MFCC和PLP。两种不同的分类器，矢量量化（VQ）与动态时间弯曲（DTW）和高斯混合模型（GMM）用于分类。实验结果表明，与传统的特征提取方法相比，混合特征提取方法具有更好的识别率，BFCC在两种分类器下的性能都优于MFCC。在所有特征提取技术中，RPLP和GMM显示出最好的识别性能。
2010-03-29 cs.LG cs.SD
Spectral and Rhythm Feature Performance Evaluation for Category and Class Level Audio Classification with Deep Convolutional Neural Networks
Friedrich Wolf-Monheim（独立研究者）
本文使用深度CNN和ESC-50数据集评估了多种频谱与节奏特征在音频分类中的性能，发现梅尔标度频谱图和MFCC特征表现显著优于其他特征。
2025-09-12 cs.AI cs.CV cs.LG
Detection of AI Synthesized Hindi Speech
Dhirubhai Ambani Institute of Information and Communication Technology（迪鲁巴伊·安巴尼信息与通信技术学院）；Indian Institute of Technology Jammu（印度理工学院查谟分校）
生成式人工语音模型的最新进展使得生成高度逼真的语音信号成为可能。起初，获得这些人工合成的信号（如语音克隆或深度伪造）似乎令人兴奋，但如果不加以控制，它可能会导致我们走向数字反乌托邦。音频取证的主要焦点之一是验证语音的真实性。虽然针对英语语音提出了一些解决方案，但对合成印地语语音的检测还没有得到太多的关注。在这里，我们提出了一种方法，从一个实际的人类语音人工智能合成印地语语音的歧视。我们已经利用双相干相位、双相干幅度、梅尔频率倒谱系数（MFCC）、Delta倒谱系数和Delta平方倒谱系数作为机器学习模型的鉴别特征。此外，我们将研究扩展到使用深度神经网络进行广泛的实验，特别是VGG 16和自制的CNN作为架构模型。我们获得了99.83%的准确性与VGG 16和99.99%的自制CNN模型。
2022-03-07 cs.LG cs.SD eess.AS
Deep Denoising Auto-encoder for Statistical Speech Synthesis
McGill University（麦吉尔大学）；National Institute of Informatics（国立信息学研究所）
本文提出了一种深度去噪自动编码器技术，以提取更好的声学特征用于语音合成。该技术允许我们以非线性、数据驱动、无监督的方式从高维光谱特征中自动提取低维特征。我们比较了新的随机特征提取器与传统的梅尔倒谱分析在分析合成和文本到语音的实验。我们的研究结果证实，该方法提高了合成语音的质量在两个实验中。
2015-06-17 cs.LG cs.SD
Boosting the Predictive Accurary of Singer Identification Using Discrete Wavelet Transform For Feature Extraction
African Institute for Mathematical Sciences（非洲数学科学研究所）；ETH Zurich（苏黎世联邦理工学院）；Rochester Institute of Technology（罗切斯特理工学院）
面对当今音乐领域的多样性和增长，寻找精确的歌曲变得越来越复杂。歌手的身份有助于这种搜索。在这个项目中，我们专注于识别歌手的问题，通过使用不同的方法进行特征提取。特别地，我们引入离散小波变换（DWT）用于此目的。据我们所知，DWT以前从未在歌手识别的背景下以这种方式使用过。这一进程包括三个关键部分。首先，利用鲁棒主成分分析（RPCA）将人声信号从背景音乐中分离出来。其次，从所获得的语音信号中提取特征。在这里，我们的目标是研究的离散小波变换（DWT）的性能相比，梅尔频率倒谱系数（MFCC），这是最常用的技术在音频信号。最后，我们进行了两种方法的歌手的识别实验：支持向量机（SVM）和高斯混合模型（GMM）。我们的结论是，对于4个歌手和200首歌曲的数据集，最好的识别系统由DWT（db4）特征提取结合线性支持向量机识别的平均准确率为83.96%，在这项工作中介绍。
2021-01-31 cs.LG cs.SD eess.AS
Significance of Maximum Spectral Amplitude in Sub-bands for Spectral Envelope Estimation and Its Application to Statistical Parametric Speech Synthesis
International Institute of Information Technology, Hyderabad（海得拉巴国际信息技术学院）
在本文中，我们提出了一种技术的频谱包络估计的最大值的子带傅立叶幅度谱（MSASB）。文献中的大多数其他方法在倒谱域参数化谱包络，如梅尔广义倒谱等倒谱域表示，虽然紧凑，不容易解释。我们的方法克服了这个困难，该方法在谱域本身中进行参数化。在实验中，利用MSASB方法估计的谱包络被结合到STRAIGHT声码器中。综合分析的客观和主观结果表明，所提出的方法是可比的直。我们还评估了使用深度神经网络的统计参数语音合成框架中所提出的参数化的有效性。
2015-08-03 cs.CL cs.SD
SoundPlot: An Open-Source Framework for Birdsong Acoustic Analysis and Neural Synthesis with Interactive 3D Visualization
Electrical Engineering Sukkur IBA University（电气工程 Sukkur IBA大学）
SoundPlot是一种开源框架，用于分析鸟类叫声并通过神经合成和交互式3D可视化进行声学处理，支持高保真的音频重建和多维特征空间分析。
2026-01-19 cs.LG cs.SD
Automatic large-scale classification of bird sounds is strongly improved by unsupervised feature learning
Centre for Digital Music, Queen Mary University of London（伦敦玛丽女王大学数字音乐中心）
根据鸟类的声音进行鸟类自动分类是一种在生态学、保护监测和声音交流研究中越来越重要的计算工具。为了使分类在实践中有用，关键是要提高其准确性，同时确保它可以在大数据规模下运行。许多方法使用基于频谱图类型数据的声学测量，例如Mel频率倒谱系数（MFCC）特征，其表示频谱信息的手动设计的概要。然而，最近在机器学习方面的工作已经证明，从数据中自动学习的特征通常可以胜过手动设计的特征变换。特征学习可以在大规模和“无监督”的情况下进行，这意味着它不需要手动标记数据，但它可以提高分类等“监督”任务的性能。在这项工作中，我们介绍了一种技术，从大量的鸟的声音记录，已被证明在其他领域有用的技术的启发，功能学习。我们实验比较十二个不同的功能表示来自梅尔频谱（其中六个使用这种技术），使用四个大的和不同的数据库的鸟类发声，与随机森林分类。我们证明，在这种情况下，MFCC是有限的功率，导致比原始梅尔光谱数据的性能更差。相反，我们证明了无监督的特征学习提供了一个实质性的推动MFCC和梅尔频谱，而不增加计算复杂性后，模型已经训练。这种提升对于大规模的单标签分类任务尤其明显。通过我们的程序学习的频谱-时间激活类似于从鸟类初级听觉前脑计算的频谱-时间感受野。
2014-05-26 cs.LG cs.SD
Emotion Recognition from Speech
在这项工作中，我们进行了广泛的比较各种方法的语音基于情感识别系统。这些分析是在瑞尔森情感语音和歌曲视听数据库（RAVDESS）的录音上进行的。在对原始音频文件进行预处理后，考虑了Log-Mel谱图、Mel倒谱系数、基音周期和能量等特征。通过应用诸如长短期记忆（LSTM）、卷积神经网络（CNN）、隐马尔可夫模型（HMM）和深度神经网络（DNN）等方法来比较这些特征对于情感分类的重要性。在14类（2种性别x 7种情绪）分类任务中，使用Log-Mel Spectrogram特征的4层2维CNN实现了68%的准确率。我们还观察到，在情感识别中，音频特征的选择对结果的影响远远超过模型的复杂性。
2019-12-22 cs.CL cs.SD eess.AS
SpectroFusion-ViT: A Lightweight Transformer for Speech Emotion Recognition Using Harmonic Mel-Chroma Fusion
Department of Computer Science and Engineering（计算机科学与工程系）；Engineering Islamic University of Technology, Gazipur 1704, Bangladesh（伊斯兰技术大学）
SpectroFusion-ViT通过谐波梅-音高融合和轻量级Transformer实现高效语音情感识别，准确率超越现有方法。
2026-02-28 cs.LG cs.SD
Feature extraction with mel scale separation method on noise audio recordings
Institut Teknologi dan Bisnis STIKOM Bali（巴厘岛STIKOM技术与商业学院）
本文的重点是提高噪声音频记录的准确性。高质量的音频记录，提取使用梅尔频率倒谱系数（MFCC）的方法产生高精度。而低质量是因为噪声，准确性低。通过研究带宽对mel标度的影响，提高了精度。提出的改进使用梅尔尺度分离方法到两个频率通道（MFCC双通道）。对于比较方法，使用无分离的梅尔标度带宽（MFCC单通道）。使用k-mean聚类进行特征分析。数据使用的噪声方差高达-16 dB。MFCC单通道方法对-16 dB噪声的测试具有47.5%的准确度，而MFCC双通道方法具有更好的76.25%的准确度。下一个测试使用自适应噪声消除（ANC）来减少提取前的噪声。结果表明，MFCC单通道法的准确率为82.5%，MFCC双通道法的准确率为83.75%。高质量音频录音测试中，MFCC单通道方法的准确率为92.5%，MFCC双通道方法的准确率更好，为97.5%。测试结果表明，梅尔尺度带宽的效果，以提高精度。MFCC双通道法具有较高的精度。
2021-12-30 cs.SD eess.AS
MelT: A Portable, Single-GEMM Mel Audio Frontend via Non-Uniform DFT with Measured Latency and Energy Gains on GPUs
Instituto de Ciências Matemáticas e de Computação, University of São Paulo, Brazil（圣保罗大学数学与计算机科学研究所，巴西）
提出MelT框架，通过将梅尔间隔非均匀离散傅里叶变换（NDFT）公式化为稠密通用矩阵乘法（GEMM）操作，实现单级音频前端，替代传统STFT+梅尔流水线，在多种加速器上获得高达3.75倍推理加速和3.52倍能耗降低。
2026-08-26 cs.SD
A Mel Spectrogram Enhancement Paradigm Based on CWT in Speech Synthesis
International School Jinan University（暨南大学国际学院）
针对梅尔频谱因傅里叶变换损失细粒度信息导致突变信号下合成语音清晰度不足的问题，提出基于CWT的梅尔频谱增强范式，引入小波频谱后处理任务，在Tacotron2和Fastspeech2上分别实现MOS提升0.14和0.09，验证了范式通用性。
2024-07-09 cs.AI cs.SD eess.AS
On the Use of Audio Fingerprinting Features for Speech Enhancement with Generative Adversarial Network
McGill University（麦吉尔大学）；Concordia University（康考迪亚大学）
语音增强中基于学习的方法的出现已经恢复了对鲁棒且可靠的训练特征的需要，所述训练特征能够在保留语音信号的重要信息的同时对语音信号进行压缩表示。时间-频率域特征，例如短期傅里叶变换（STFT）和梅尔频率倒谱系数（MFCC），在许多方法中是优选的。虽然MFCC提供了紧凑的表示，但它们忽略了每个梅尔尺度子带中的能量的动态和分布。在这项工作中，语音增强系统的生成对抗网络（GAN）的基础上实现和测试的音频指纹（AFP）的功能从MFCC和归一化频谱子带质心（NSSC）的组合。NSSC捕获语音共振峰的位置，并以关键的方式补充MFCC。在不同说话人和噪声类型的实验中，基于GAN的语音增强与所提出的AFP特征组合实现了最佳的客观性能，同时减少了内存需求和训练时间。
2020-07-27 cs.LG cs.SD eess.AS
Feature Learning with Gaussian Restricted Boltzmann Machine for Robust Speech Recognition
Tsinghua-CUHK Joint Research Center for Media Sciences, Technologies and Systems（清华-香港中文大学媒体科学、技术与系统联合研究中心）；Tsinghua University（清华大学）；The Chinese University of Hong Kong（香港中文大学）
本文首先提出了高斯限制玻尔兹曼机（GRBM）的一种新变体--多元高斯限制玻尔兹曼机（MGRBM），给出了它的定义和学习算法。然后，我们建议使用一个学习GRBM或MGRBM提取更好的鲁棒语音识别的功能。我们在Aurora 2上的实验表明，无论是HMM-GMM还是混合HMM-深度神经网络（DNN）声学模型，GRBM提取的特征和MGRBM提取的特征都比Mel频率倒谱系数（MFCC）好得多，MGRBM提取的特征略好。
2013-09-23 cs.CL cs.LG cs.SD
Airborne Sound Analysis for the Detection of Bearing Faults in Railway Vehicles with Real-World Data
FAU Erlangen-Nürnberg（埃尔朗根-纽伦堡大学）；Siemens Mobility GmbH（西门子交通有限公司）
本文提出利用MFCC特征和多层感知机分类器分析常规运营中的声学信号，以检测轨道车辆轴承故障，实验证明该方法能可靠识别训练中未包含的轴承损坏。
2023-05-24 cs.LG cs.SD eess.AS
Low Bit-Rate Wideband Speech Coding: A Deep Generative Model based Approach
National University of Defense Technology（国防科技大学）；Army Engineering University of PLA（中国人民解放军陆军工程大学）
传统的低速率语音编码方法只能处理8 kHz的窄带语音，这限制了语音质量的进一步提高。受最近成功探索用于图像和语音压缩的深度学习方法的启发，本文提出了一种新方法，通过梅尔频率倒谱系数（MFCC）的矢量量化（VQ）并使用称为WaveGlow的深度生成模型来提供高效和高质量的语音编码。对于16 kHz宽带语音，其编码特征是80维MFCC矢量，通过对MFCC矢量采用不同的矢量量化方案，可以实现1000-2000 bit/s码率的语音编码。这种新的基于深度生成网络的编解码器工作速度很快，因为WaveGlow模型放弃了逐样本自回归机制。我们在多说话人TIMIT语料库上对这种新方法进行了评估，实验结果表明，与最先进的经典MELPe编解码器相比，它在较低的比特率下提供了更好的语音质量。
2021-02-04 cs.LG cs.MM cs.SD
