语音不匹配条件下说话人验证的特征转换

本项目建立了一个小的语音库（8男8女），编写mfcc函数提取出语音的mfcc特征，然后利用svm进行训练和测试，实现性别识别，并创建gui进行功能展示，正确率为93.75%。
本代码功能尚比较简单，有待继续完善。

：究竟怎样才能打造一款极具杀伤力的手机应用呢？好创意、用心、正确的决策和大量的运气因素当然必不可少，但后来者也同样能够通过借鉴一些前人总结出的经验，推出一款出色的产品。
在竞争日益激烈的手机应用市场中，开发商要推出一款更具吸引力、更富黏性、更高曝光率和更能吸金的应用真是越来越困难了。
据称iTunes应用商店的产品数量已经接近35万款，Android应用商店也有25万款，就在我们说话的这会儿功夫，也有成百上千款应用已投入开发制作。
不论是一款诞生于家庭作坊的应用，还是一款出自大型开发公司之手的应用，没有人可以准确预测它出击市场后的命运。
那么，究竟怎样才能打造一款极具杀伤力的手机应用呢？好创意、用心、

语音识别系统的代码，MATLAB版本，该语音识别系统可以实现说话人的语音识别功能，同时也可以实现识别不同的单词。

这是一个基于java的智能语音成绩录入系统，可以实现通过登陆者语音说话的方式录入成绩

语音数据经过预处理，提取特征参数，训练VQ模型，建立码本库，然后对测试数据集进行说话人识别，输出识别结果。

该说话人识别系统通过提取语音信号的MFCC特征参数，并由DWT算法计算得测试样本与各模板样本之间的距离，由最近临准则，完成说话人识别。
优点是算法简单，无需大量样本，缺点为需保证说话人说话的内容一致。

本文档介绍Sphinx4在Windows下的中文训练过程及注意事项，与本文档配套的是我自己的训练实例bergtrain和用到的软件。
本文档编写日期2013-04-231、为什么要训练？sphinx4目前的版本中仅提供了英文等语音识别库。
中文的库是PTM或semi类型的，在java版sphinx中无法使用。
2、Sphinx的训练指哪些内容？在Sphinx中有语言模型、声学模型等概念，如果你不想了解这些，请参考以下内容：a1、中文每个字的标准发音已经有一个较为全面的文件进行了标注这个文件就是zh_broadcastnews_utf8.dic（下称这类文件为发音字典），在sphinx网站上可以下载，我们也包含了它。
下面是该文件的片断，它用类似拼音的方式标注了每个字或词的发音。
昌chang昌北changbei昌必changbi昌都changdu昌赫changhea2、需要告诉sphinx我们经常使用的字、词是哪些，它们出现的频率如何由于开放式语音识别尚难实现，所以sphinx实际上只能较好的处理相对小的语言集合。
因此，针对特定的领域，告诉sphinx该领域的词汇和各词出现的频率将极大提高识别率。
a3、需要告诉sphinx每个字、词的真正读音发音字典告诉sphinx每个字的标准读音，但面对的说话人往往不会以标准读音来朗读。
因此sphinx需要学习说话人的“口音”。
如果训练时的读者发音比较标准，则sphinx能“举一反三”，识别其他不那么标准的读者的语音。
推荐的做法是训练一些典型的口音：标准男、女声，童音，最后再考虑特定用户的口音。
3、如何准备训练内容所需的原料？需要准备两大内容：1)文本语料文件，2)语料录音文件。
文本语料文件给出2.a2中需要的内容，在bergtrain的etc文件下的berginput.txt文件就是一个预料文件。
它以行为单位，给出了150个中文句子。
语料录音文件是根据文本语料文件，朗读它的每行/句话，保存到每一个语音文件即可。
语料文件中的语句应该尽量选择领域相关的，在覆盖领域内名词的前提下，覆盖尽可能多的通用词汇。
4、训练环境及注意事项本文的训练软硬件如下：硬件：T60P笔记本，机器自带录音设备；
操作系统为Win732位。
软件：Sphinx cmuclmtk-0.7-win32.zip pocketsphinx-0.8-win32.zip sphinxbase-0.8-win32.zip sphinxtrain-1.0.8-win32.zip sphinx4-1.0beta6-bin.zip，用于编写java版的识别软件所需的库 脚本执行软件 ActivePerl-5.16.3.1603-MSWin32-x86-296746.msi ActivePython-2.7.2.5-win32-x86.msi 录音和处理软件 audacity-win-2.0.3rc1.zip，可进行录音和声音文件处理（如降噪），免费软件 FairStars.zip，可进行批量录音（V3.5绿色版） 文本编辑软件UltraEdit，UltraEdit-32.rar绿色版注意： 文件格式 语料文件必须使用UltraEdit进行编辑， 在编辑后，使用文件-转换-ASCII转UTF-8(UNICODE编辑)，指定文件中的中文使用utf8编码。
在保存前，设置格式如下： 换行符：UNIX终束符-LF 指定文件中的回车/换行符为编码0A的换行符 格式：UTF-8-无BOM 每个文件的末尾必须有一个回车！ 这个回车将在保存时被替换为编码0A的换行符，训练脚本需要这个符号来确认文件的结束。
录音文件 如果你不希望去编辑训练中的配置文件，则在使用FairStars录音时作如下设定： 进入菜单和对话框选项-显示录音选项-编码-WMA， 设定：采样率（16000Hz）、通道（单声道）、比特率（16Kbps）5、训练步骤下面逐步从零开始进行训练5.1软件环境的安装将本文档所在的文件夹解压或拷贝到d:\，即本文档路径是d:\sphinxtrain\Sphinx中文训练教程.txt1)点击安装ActivePerl-5.16.3.1603-MSWin32-x86-296746.msi和ActivePython-2.7.2.5-win32-x86.msi；
2)解压Sphinx中除sphinx4-1.0beta6-bin.zip外的压缩文件到d:\sphinxtrain下

声纹识别技术，形象的说法就是说话人识别技术。
它是根据人在说话时产生的波形，以及波形中反映人类心理和生理的特征参数来判断说话人的身份的技术。
本文所研究的是与文本有关的说话人确认系统。
比较了基于声道的线性预测倒谱系数(LPCC)和基于听觉特性的MEL频率倒谱系数(MFCC)参数特征，得出MFCC对环境存在更高的鲁棒性。
并运用了隐形马尔可夫模型(HMM)在MATLAB上实现了语音数字的识别仿真。
本实验系统的识别率达到了90%，验证了HMM模型识别的准确性。

这项与事件相关的潜能（ERP）研究检查了语音识别中上下文相关说话者标准化的时间过程。
我们发现三个ERP组件，即N1（100-220毫秒），N400（250-500毫秒）和后期正向组件（500-800毫秒），它们被推测涉及（a）听觉处理，（b）说话者标准化和词汇检索，以及（c）决策过程/词汇选择。
说话人标准化可能发生在N400的时间窗口中，并且与词汇检索过程重叠。
与非语音上下文相比，无论语音上下文是否具有语义内容，它们都使收听者能够调整到讲话者的音调范围。
以这种方式，语音上下文在潜在的候选词的激活过程中诱导了更有效的说话者归一化，并导致在语音单词识别中更准确地选择了预期的单词。

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。