匹配两个系列的 Mfcc 系数

Question

我从包含相同语音内容的两个大约 30 秒的音频文件中提取了两个系列 MFCC 系数。音频文件是从不同来源记录在同一位置的。应该估计音频是否包含相同的对话或不同的对话。目前我测试了两个Mfcc系列的相关性计算，但结果不是很合理。对于这种情况有最佳实践吗？

Answer 1

由于这两个向量实际上是直方图，因此您可能需要尝试计算向量之间的卡方距离（直方图的常见距离度量）。

d(i) = sum (x(i) - y(i))^2/(2 * (x(i)+y(i)));

可以在此工具箱中找到良好的（mex）实现：

http://www.mathworks.com/matlabcentral/fileexchange/15935-computing-pairwise-distances-and-metrics

调用如下：

d = slmetric_pw(X, Y, 'chisq');

Answer 2

我遇到了同样的问题，解决方案是使用动态时间扭曲来匹配两个 MFCC 阵列 算法。

计算 MFCC 后，对于两个信号中的每一个，您现在应该拥有一个数组，其中每个元素包含帧的 MFCC（数组的数组）。第一步是计算一个数组的每个元素与另一个数组的每个元素之间的“距离”，即每两组 MFCC 之间的距离（您可以尝试使用 欧几里得距离）。

这应该会留下一个二维数组（我们称之为“dist”），其中元素 (i,j) 表示第一个信号中第 i 帧的 MFCC 与第 j 帧的 MFCC 之间的距离你的第二个信号。

在此数组上，您现在可以应用 DTW 算法：

• dtw(1,1) = dist(1,1)
• dtw(i,j) = min (dtw(i-1, j-1), dtw(i-1, j), dtw(i, j-1)) + dist(i,j)。

表示两个文件之间“差异”的值是 dtw(n,m)，其中 n = nr。第一个信号中的帧数，m = nr。第二个帧的帧数。

如需进一步阅读，本文可能会为您提供应用 DTW 的总体视图到 MFCC 和 DTW 算法的演示可能也会有所帮助。

Answer 3

我最近遇到了同样的问题。我发现最好的方法是使用音频库 MIRtoolbox< /a>，在音频处理方面非常强大。

添加此库后，可以通过调用轻松计算两个 MFCC 的距离（距离较低<=>相似匹配）：

dist = mirgetdata(mirdist(mfcc1, mfcc2));

Answer 4

我知道这个问题已经存在了近 10 年，但我现在正在寻找同样的东西，我个人发现上述建议太复杂了。
对于仍在搜索的其他人，您可以从简单地使用 scipy 开始使用 mfcc 数据获取两个矩阵之间的距离：

>>> from scipy.spatial import minkowski_distance
>>> a = [[-2.231413e+01,-5.495589e+01,-2.177988e+01,-1.719458e+01,-1.513321e+01,1.324277e+01,-9.265136e-01,1.542478e+01,1.007597e+01,7.356851e-01,1.106412e+01,-9.447377e+00,-1.325694e+00 ],[-2.294377e+01,-5.487790e+01,-2.152807e+01,-1.725173e+01,-1.500316e+01,1.287956e+01,-7.995839e-01,1.540848e+01,1.040512e+01,3.215451e-01,1.113061e+01,-9.390820e+00,-1.065433e+00 ], [-2.251059e+01,-5.475804e+01,-2.188462e+01,-1.709198e+01,-1.516142e+01,1.278525e+01,-7.952995e-01,1.602424e+01,9.981795e+00,4.940354e-01,1.081703e+01,-9.485857e+00,-7.487018e-01 ]]
>>> b = [[-2.231413e+01,-5.495589e+01,-2.177988e+01,-1.719458e+01,-1.513321e+01,1.324277e+01,-9.265136e-01,1.542478e+01,1.007597e+01,7.356851e-01,1.106412e+01,-9.447377e+00,-1.325694e+00 ], [-2.294327e+01,-5.488413e+01,-2.152952e+01,-1.724601e+01,-1.500094e+01,1.287461e+01,-8.023301e-01,1.541246e+01,1.040808e+01,3.185866e-01,1.112774e+01,-9.388848e+00,-1.062943e+00], [-2.250507e+01,-5.481581e+01,-2.189883e+01,-1.704281e+01,-1.514221e+01,1.274256e+01,-8.183736e-01,1.606115e+01,1.000806e+01,4.662135e-01,1.079070e+01,-9.468561e+00,-7.260294e-01 ]]
>>> minkowski_distance(a, b)
array([0.        , 0.01274899, 0.11421053])

https://docs.scipy.org/doc/scipy/reference/ generated/scipy.spatial.minkowski_distance.html

为了获取详细的 MFCC 数据，我使用了 yaafe（打包在 Docker 容器中）：
http://yaafe.github.io/Yaafe/manual/install.html

这是解决安装问题的方法：https://github.com/Yaafe/Yaafe/issues/52