隠れマルコフモデルに基づく音声認識プログラムの入力

Question

隠れマルコフモデルに基づく音声認識プログラムを構築します。残念ながら、私は入力サウンドシーケンスを取得する方法を知らず、うまく動作します。誰でも、サウンドファイルフォーマット（つまり.wav、.mp3など）から値を読み取り、サウンドトラックをC++で分割する一般的なアプローチは何ですか？

Answer 1

一般的なアプローチは、入力音声を一連の特徴ベクトル（通常はMFCC）に変換することです。このプロセスは、一般にCMU Sphinx wikiに記載されており、詳細はHTK Bookに記載されている。また、汎用目的のopenSMILE toolkitを調べて、C++でどのように処理されているかを調べることもできます。