基于1D-CNN的文学与口语泰米尔语语音分类特征工程方法
音频与语音处理
2024-09-24 v1 机器学习
声音
摘要
在理想的人机交互中，用户更倾向于使用口语化形式的语言，因为这是他们日常对话中使用的形式。然而，也不可否认地需要保存正式的文学形式。通过 embracing 新形式和保留旧形式，可以同时实现服务大众（实用性）和服务语言本身（保育）。因此，计算机理想的能力是根据需要接受、处理和交谈两种语言形式。为此，首先有必要识别输入语音的形式，这在当前工作中位于文学泰米尔语和口语泰米尔语之间。这种前端系统必须包含一个简单、有效且轻量级的分类器，其在几组有效特征上进行训练，能够捕捉语音信号的底层模式。为实现这一目标，提出了一种一维卷积神经网络（1D-CNN），其在时间上学习特征的包络。该网络首先在精选的手工特征上进行训练，然后在梅尔频率倒数谱系数（MFCC）上进行比较。手工特征被选取以解决语音的各个方面问题，包括谱特征、时序特征、韵律和语音质量。这些特征最初考虑十个平行语音，并观察每个特征相对于时间的趋势。使用手工特征训练的所提出的1D-CNN获得了0.9803的F1分数，而使用MFCC训练的1D-CNN获得了0.9895的F1分数。鉴于此，探索了特征消除和特征组合。当从特征消除研究中获得最佳排序的手工特征与MFCC组合时，能够获得最佳结果，F1分数为0.9946。
引用
@article{arxiv.2409.14348,
title = {A Feature Engineering Approach for Literary and Colloquial Tamil Speech Classification using 1D-CNN},
author = {M. Nanmalar and S. Johanan Joysingh and P. Vijayalakshmi and T. Nagarajan},
journal= {arXiv preprint arXiv:2409.14348},
year = {2024}
}