这是我的个人项目，我不知道从哪里开始，因为它超出了我的舒适区 .
我知道有一些语言学习软件允许用户录制他或她的声音，并将该声音与所述语言的母语人士进行比较 .
我的问题是，如何实现这一目标？
我的意思是，如何比较用户和母语者之间的发音？
如果您正在寻找相对简单的东西，您可以简单地计算录制的MFCC（http://en.wikipedia.org/wiki/Mel-frequency_cepstrum），然后查看简单的内容，例如录制和该单词的平均系数由母语人士发音 . MFCC将音频转换为欧几里德距离与感知差异更紧密对应的空间 .
当然，有几个可能的问题：
对齐两个录音，使系数匹配 . 要解决这个问题，您可以查看系数的最大互相关，而不是简单的相关性，这样您就可以免费获得自动“最佳对齐” . 此外，您可能必须剪掉录音的末尾，因此只有该单词的实际发音仍保留在录音中 .
MFCC映射到感知空间，但可能与口音不准确性不太一致 . 您也许可以尝试解决这个问题，而不是将其与“理想”发音进行比较，将其与几种不同类型的错误发音的平均值进行比较，并查看它最接近的模型 .
即使是好的重音词也会与理想的“距离”平均 . 您必须考虑到这一点，并将输入的距离与“相对”良好距离进行比较 .
相关可能不是比较两个声音的相对相似性的最佳方法 . 试验许多不同的指标...尝试不同的L ^ p规范：（http://en.wikipedia.org/wiki/Lp_space），或尝试以不同的方式权衡不同的MFCC（如果我记得，即使在MFCC被采取后虽然它们都应该具有相同的感知“重量”，但是中间的那些对于我们感知声音的方式仍然比高或低更重要 . ）
声音中可能存在某些部分，其中发音对于重音的质量更为重要 . 也许瞬态检测找到那些位置并将它们标记为更重要将是好的 . 如果你有一大堆“好发音”和“坏发音”的例子，你可能会自动提取这些位置 .
同样，最后，您将了解这些选项的哪种组合效果最佳的唯一方法是通过测试 .
我已经读过将高斯混合模型用于普通说话者的语音空间和个人 . 这可能对非私人使用的非规范口音的培训很有用 .
如果您只是将扬声器与一般发音模型进行比较，那么匹配可能不是很好 . 因此，我们的想法是在个人训练期间调整模型以更好地适应扬声器 .
Speaker Verification using Adapted Gaussian Mixture Models
EDIT: 再次查看你的问题，我想我回答了另一个问题 . 但该技术使用了类似的模型：
模型各种语言（你有不同语言的大量数据吗？收集数据可能是困难的部分 . ）GMM很适合这个 .
将扬声器的数据点与各种语言模型进行比较
选择作为获胜者的演讲者数据的最佳预测器模型 .
2 回答
如果您正在寻找相对简单的东西，您可以简单地计算录制的MFCC（http://en.wikipedia.org/wiki/Mel-frequency_cepstrum），然后查看简单的内容，例如录制和该单词的平均系数由母语人士发音 . MFCC将音频转换为欧几里德距离与感知差异更紧密对应的空间 .
当然，有几个可能的问题：
对齐两个录音，使系数匹配 . 要解决这个问题，您可以查看系数的最大互相关，而不是简单的相关性，这样您就可以免费获得自动“最佳对齐” . 此外，您可能必须剪掉录音的末尾，因此只有该单词的实际发音仍保留在录音中 .
MFCC映射到感知空间，但可能与口音不准确性不太一致 . 您也许可以尝试解决这个问题，而不是将其与“理想”发音进行比较，将其与几种不同类型的错误发音的平均值进行比较，并查看它最接近的模型 .
即使是好的重音词也会与理想的“距离”平均 . 您必须考虑到这一点，并将输入的距离与“相对”良好距离进行比较 .
相关可能不是比较两个声音的相对相似性的最佳方法 . 试验许多不同的指标...尝试不同的L ^ p规范：（http://en.wikipedia.org/wiki/Lp_space），或尝试以不同的方式权衡不同的MFCC（如果我记得，即使在MFCC被采取后虽然它们都应该具有相同的感知“重量”，但是中间的那些对于我们感知声音的方式仍然比高或低更重要 . ）
声音中可能存在某些部分，其中发音对于重音的质量更为重要 . 也许瞬态检测找到那些位置并将它们标记为更重要将是好的 . 如果你有一大堆“好发音”和“坏发音”的例子，你可能会自动提取这些位置 .
同样，最后，您将了解这些选项的哪种组合效果最佳的唯一方法是通过测试 .
我已经读过将高斯混合模型用于普通说话者的语音空间和个人 . 这可能对非私人使用的非规范口音的培训很有用 .
如果您只是将扬声器与一般发音模型进行比较，那么匹配可能不是很好 . 因此，我们的想法是在个人训练期间调整模型以更好地适应扬声器 .
Speaker Verification using Adapted Gaussian Mixture Models
EDIT: 再次查看你的问题，我想我回答了另一个问题 . 但该技术使用了类似的模型：
模型各种语言（你有不同语言的大量数据吗？收集数据可能是困难的部分 . ）GMM很适合这个 .
将扬声器的数据点与各种语言模型进行比较
选择作为获胜者的演讲者数据的最佳预测器模型 .