使用 CNN 对长格式音频进行关键字识别的特征提取
Feature extraction for keyword spotting on long form audio using a CNN
我构建了一个简单的 CNN 单词检测器，当使用 1 秒 .wav 作为输入时，它能够准确地预测给定的单词。按照标准，我使用音频文件的 MFCC 作为 CNN 的输入。
但是，我的目标是能够将其应用于包含多个单词的较长音频文件，并让模型能够预测是否以及何时说出给定单词。我一直在网上搜索最佳方法，但似乎碰壁了，如果可以通过 google 轻松找到答案，我深表歉意。
我的第一个想法是将音频文件剪切成几个 windows 的 1 秒长度，彼此相交 -
然后将每个 window 转换为 MFCC，并将其用作模型预测的输入。
我的第二个想法是改为使用起始检测来尝试隔离每个单词，如果单词小于 1 秒则添加填充，然后将它们作为模型预测的输入。
我离这里远吗？任何参考或建议将不胜感激。谢谢。
将音频剪辑成分析 windows 是可行的方法。使用一些重叠是很常见的。可以先计算 MFCC 特征，然后使用整数帧进行拆分，使您最接近所需的 window 长度（1s）。
参见 示例代码
我构建了一个简单的 CNN 单词检测器，当使用 1 秒 .wav 作为输入时，它能够准确地预测给定的单词。按照标准，我使用音频文件的 MFCC 作为 CNN 的输入。
但是，我的目标是能够将其应用于包含多个单词的较长音频文件，并让模型能够预测是否以及何时说出给定单词。我一直在网上搜索最佳方法，但似乎碰壁了，如果可以通过 google 轻松找到答案，我深表歉意。
我的第一个想法是将音频文件剪切成几个 windows 的 1 秒长度，彼此相交 -
然后将每个 window 转换为 MFCC，并将其用作模型预测的输入。
我的第二个想法是改为使用起始检测来尝试隔离每个单词，如果单词小于 1 秒则添加填充，然后将它们作为模型预测的输入。
我离这里远吗？任何参考或建议将不胜感激。谢谢。
将音频剪辑成分析 windows 是可行的方法。使用一些重叠是很常见的。可以先计算 MFCC 特征，然后使用整数帧进行拆分，使您最接近所需的 window 长度（1s）。
参见