可以添加到 mfcc 功能的说话人识别功能/我可以做的事情以改进我的说话人识别神经网络
Features for speaker recognition that can be added to mfcc features/ Things that I can do in order to improve my speaker recognition neural network
我正在尝试创建说话人识别机器学习。
目前我正在使用以下方案：
- 获取我的音频文件数据集并计算每 0.15 秒的音频文件 13 梅尔频率系数
- 我将每 13 个系数输入到一个基于 [conv, pool, norm]
的 3 个块的神经网络
- 对于测试文件，我对每个 13 系数向量的所有输出使用了多数
我通常对 3 个扬声器的识别率约为 85%，这并不令人惊讶，因此我决定要添加一些功能，但我不知道要添加什么...
有人建议我应该添加什么功能/我应该怎么做才能提高我的百分比？
我尝试使用一个调用 - "pitch" 的模块，它给我一个 wav 文件的音调，但它给了我非常随机的值（例如，对于同一个扬声器，它给了我 360、80、440对于前 3 个音频）
非常感谢您的帮助
你应该一次处理更长的块，在 0.15 秒内几乎不可能识别说话人的身份。
一般规则是您处理的音频越长，您的识别就越准确。大概1-3秒就好了，你需要把它们作为一个整体输入到神经网络中。
你可以google for x-vector on github，有很多实现，比如你可以在kaldi中找到一个。
我正在尝试创建说话人识别机器学习。
目前我正在使用以下方案：
- 获取我的音频文件数据集并计算每 0.15 秒的音频文件 13 梅尔频率系数
- 我将每 13 个系数输入到一个基于 [conv, pool, norm] 的 3 个块的神经网络
- 对于测试文件，我对每个 13 系数向量的所有输出使用了多数
我通常对 3 个扬声器的识别率约为 85%，这并不令人惊讶，因此我决定要添加一些功能，但我不知道要添加什么...
有人建议我应该添加什么功能/我应该怎么做才能提高我的百分比？
我尝试使用一个调用 - "pitch" 的模块，它给我一个 wav 文件的音调，但它给了我非常随机的值（例如，对于同一个扬声器，它给了我 360、80、440对于前 3 个音频）
非常感谢您的帮助
你应该一次处理更长的块，在 0.15 秒内几乎不可能识别说话人的身份。
一般规则是您处理的音频越长，您的识别就越准确。大概1-3秒就好了，你需要把它们作为一个整体输入到神经网络中。
你可以google for x-vector on github，有很多实现，比如你可以在kaldi中找到一个。