聲音識別系統(tǒng)是根據(jù)什么原理制成的？

音頻識別與大多數(shù)識別問題一樣，分為幾個步驟：

1. 特征提取2. 索引庫3. 搜索與模糊匹配4. 識別結(jié)果的拼接特征提取方面有很多算法，基于FFT的頻域信息是相對簡單的，值得深入研究。頻域信號提取出來后，因為頻段太多，一般都會要做個歸并，合并成幾個大的頻段。

比如Philips的算法就是合并成32個頻段，我之前做的系統(tǒng)是合并成6個頻段，Shazam的是4個頻段。特征的好壞直接影響了識別的效果，需要反復(fù)優(yōu)化。

特征提取出來后，就需要建立索引庫，存放所有的特征，每個特征都是要對應(yīng)實際內(nèi)容一部分的。

實際情況往往索引庫會很大，所以通常不會用普通的關(guān)系式數(shù)據(jù)庫。我用過redis，以及python dict。因為查詢太過頻繁，盡量不要走網(wǎng)絡(luò)。我之前做的一個系統(tǒng)，一個24小時的音頻，對數(shù)據(jù)庫的特征查詢次數(shù)在幾十億到幾百億次。走網(wǎng)絡(luò)是不可想象的。

搜索的過程則因為是多媒體數(shù)據(jù)而變得麻煩了許多。

具體就是要設(shè)計模糊匹配方法。很多因素會導(dǎo)致提取的特征與原特征存在誤差，需要自己想辦法來降低誤差對結(jié)果的影響。

比如說FFT切段的過程會引入高頻噪聲，50Hz的工頻也會引入噪聲，所以我一般取FFT頻段時是選擇64~3300Hz范圍內(nèi)的。

模糊匹配方面，就可以把特征中每個值都做一下+/-1，然后生成一大堆的子特征去索引庫里查詢。

如上的識別結(jié)果只是一些點，說明這個點匹配出了一些結(jié)果，往往結(jié)果還很多。

此時還需要將點連成段才算是有意義的結(jié)果。

比如你識別出來了3個字，中間的聽不清 "我?你" ，且索引庫里已經(jīng)包含句子 "我愛你" 。那么就應(yīng)該根據(jù)這些推斷出來有一定的概率結(jié)果就是跟索引庫里的一樣。

實際建立概率模型也是個巨麻煩的事情。中間跳過的未識別點數(shù)量也是經(jīng)驗數(shù)據(jù)。

比如我試過1/8秒一個點，跳過6個點就會產(chǎn)生大量誤識別了，但是跳過2個點就比不跳的識別率高很多。

我在過去的2年多設(shè)計了一套音頻識別系統(tǒng)，包含如上的所有組件，用以識別電視節(jié)目中的廣告。

運行高峰時期，索引庫里有大約1000小時的音頻。識別正確率在95~98%之間晃動，誤識別在2~3%之間晃動。

輸入24小時音頻的識別時間大約5~10分鐘。