Log of My Academic Life

log.rst

Log of My Academic Life

Sun Jul 20

• kaldi
  • 完成kaldi动态链接
  • 几经周折后，在小集群上重现
  • 发现kaldi官网发生变化，去除了stable，推荐trunk（似乎修正了stable很多bug，以及增加动态链接支持）
• HTK
  • HTK configure中看出 在x64下是用-m32编译的，所以需要链接的也是32位库，因此小集群上的x11 library无法使用，故需要 ./configure —without-x —disable-hslab 方可正常编译
  • HTK make时应-j1，由于makefile设计上或者其他问题，-j4会导致race condition使得在编译某个文件时依赖的静态库还没编译完
• 从无到有地实现了一个短时傅里叶频谱分析器：https://gist.github.com/Determinant/86afaa9b54f0528d4a93
  • 用C实现
  • 为了避免直接parse音频文件（其实对于WAV格式来说也不难，但是WAV规范有些变体，这就很讨厌），采用一个被广泛使用的库：libsndfile，可以直接从无损音频格式中读取samples，每个声道是一个short (16bits)。
  • 其余部分均为自己实现，FFT直接用了上次手写的FFT，虽然是最简单的那种算法，但是作了一些常数优化后效果不错。

  • 支持的参数有：

    Simple Spec -- A Simple Discrete-time STFT Program.
    
    Usage: simple_spec [OPTION]... [FILE]
    
      -w, --win             window function: rect, hann, hamming
      -b, --bin             the width of a window
      -d, --delta           the shift of a window
      --raw                 read raw PCM16 data
      -f, --freq            the frequency used in resampling
      -a, --amp             the way of calculating amplitude: linear, decibel, norm, dtmf
      -h, --help            show this info

  • 对人声（王菲的两首歌曲），乐器（吉他：Romance d’Amour，小提琴：Schindler's List 和钢琴：Humoresque）音频进行了分析，效果不错。（有图有真相）
• 在俞老师的建议下，实现了简单的DTMF拨号音识别（2s内拨完的11位手机号能正确识别）。