Hi, ich möchte für die Uni ein Projekt mit einem mikrocontroller, welches verschiedene Sounds erkennt (50-100stk) und die dann in einer lokalen Datenbank (evtl. SD-Karte) abgleicht bzw. sucht umsetzen.Anschließend soll es die dazugehörigen Befehle ausführen, die zum Sound gehören. 1.Wie wird ein Sound bzw. Geräusch interpretiert,werden die Analogen Wellenlängen analysiert vom mcu? 2.Wie sollte ich die Sounds am besten vorher speichern bzw. den mcu anlernen? 3.Werden die Sounds in mp3 format gespeichert, wäre das nicht etwas zu groß bei 50-100 Sounds? 3.Welcher Mikrocontroller ist dafür geeignet?
Dafür ist überhaupt kein gewöhnlicher Mikrocontroller geeignet. DU müsstes so viel drumherum bauen, dass ein fertiger Mini PC letztendlich günstiger und besser geeignet ist. Nimm einen Raspberry Pi oder einen Laptop. > Wie wird ein Sound bzw. Geräusch interpretiert Ist das nicht die Kernfrage deiner Aufgabe? Du kannst ja mal bei Nuance anfragen ob sie Dir ihre Methode verraten - vermutlich nicht. Grundsätzliche Sache zur Spracherkennung sind bei Wikipedia beschrieben, mit Links zu weiterführender Doku. https://de.wikipedia.org/wiki/Spracherkennung Mit Sounds meinst du womöglich ein universelleres System, dass weit mehr als nur Sprache erkennt. Wird das eine Doktorarbeit? > Werden die Sounds in mp3 format gespeichert, wäre das nicht > etwas zu groß bei 50-100 Sounds? Gegenfrage: Kennst du ein wesentlich kompakteres Format?
Soll Sprache von Musik unterschieden werden ? Soll Musik Klassik von Pop unterschieden werden ? Oder soll es noch schwieriger werden ?
Stefanus F. schrieb: > Dafür ist überhaupt kein gewöhnlicher Mikrocontroller geeignet. DU > müsstes so viel drumherum bauen, dass ein fertiger Mini PC letztendlich > günstiger und besser geeignet ist. Nimm einen Raspberry Pi oder einen > Laptop. Der Raspi ist leider zu groß für das Projekt. > >> Wie wird ein Sound bzw. Geräusch interpretiert > > Ist das nicht die Kernfrage deiner Aufgabe? Du kannst ja mal bei Nuance > anfragen ob sie Dir ihre Methode verraten - vermutlich nicht. > Ich denke eher einfach in Waveforms, nun die Frage ist welches format haben Waveforms. > Grundsätzliche Sache zur Spracherkennung sind bei Wikipedia beschrieben, > mit Links zu weiterführender Doku. > https://de.wikipedia.org/wiki/Spracherkennung > > Mit Sounds meinst du womöglich ein universelleres System, dass weit mehr > als nur Sprache erkennt. Wird das eine Doktorarbeit? Eig. nur die menschlichen wellenlängen die gesprochen werden. Nein keine Doktorarbeit, soweit bin ich noch nicht :). > >> Werden die Sounds in mp3 format gespeichert, wäre das nicht >> etwas zu groß bei 50-100 Sounds? > > Gegenfrage: Kennst du ein wesentlich kompakteres Format? Am besten wäre es wenn die Wellenlängen die gesprochen werden, von einem Mic aufgenommen und digital umgewandelt werden. Anschließend sollten die Daten dann mit der Datenbank abgeglichen werden.
Hallo, deine Frage liest sich etwa so: "Ich möchte mal was zum Patent anmelden. Hat jemand eine super tolle Erfindung, die er mir für den Zweck schenkt" > Seyed M. schrieb: > ich möchte für die Uni ein Projekt mit einem mikrocontroller, welches > verschiedene Sounds erkennt (50-100stk) und die dann in einer lokalen > Datenbank (evtl. SD-Karte) abgleicht bzw. sucht umsetzen. Warum willst du das tun? Ist es eine offizielle Aufgabenstellung. Ich vermute, iht sollt euch selber irgend was mit uC ausdenken, oder? > Anschließend > soll es die dazugehörigen Befehle ausführen, die zum Sound gehören. > 1.Wie wird ein Sound bzw. Geräusch interpretiert,werden die Analogen > Wellenlängen analysiert vom mcu? > 2.Wie sollte ich die Sounds am besten vorher speichern bzw. den mcu > anlernen? > 3.Werden die Sounds in mp3 format gespeichert, wäre das nicht etwas zu > groß bei 50-100 Sounds? Wenn du von der ganzen Sache (Pkt.1-3) so gar keine Ahnung hast, welchen Teil deines Projektes willst du dann noch selber machen? Zumindet zum Pkt.3 kann sich selbst ein Schüler schon mal ausrechnen, wie viele Stunden MP3 auf eine Karte passen, wenn man die Komprimierrate festlegt und nachschaut, welche SD-Kartengröße derzeit so verfügbar sind. > 3.Welcher Mikrocontroller ist dafür geeignet? Die Frage ist dann wohl obsolet. Suche dir lieber eine andere Aufgabenstellung, die auch mit deinem Wissen, Fähigkeiten ud Fertigkeiten umsetzbar ist. Es gibt evtl. noch einen ganz anderen weg. Zur Sounderkennung gibt es Apps, die mit Diensten aus dem Internet arbeiten (z.B. "Shazam"). https://www.wieheisstdaslied.de/lieder-suche/ Wenn du so was nutzen kannst, ändert sich die Fragestellung und die Randbedingungen deutlich, aber das Problem an sich wird dann mit einem uC evtl. recht leicht lösbar. Gruß ÖÖletronika
Seyed M. schrieb: > Der Raspi ist leider zu groß für das Projekt. Dann sage das Projekt ab. Das meine ich ernst.
Seyed M. schrieb: > Am besten wäre es wenn die Wellenlängen die gesprochen werden, von einem > Mic aufgenommen und digital umgewandelt werden. Anschließend sollten die > Daten dann mit der Datenbank abgeglichen werden Das es bei gesprochenem Wort weniger um die Wellenlänge aka Tonhöhe sondern um die spektrale Zusammensetzung(sozusagen die Form des Wellenzuges)geht, ist dir aber schon klar? Evtl mal "Formanten" als erstes Stichwort.
Seyed M. schrieb: > Am besten wäre es wenn die Wellenlängen die gesprochen werden, von einem > Mic aufgenommen und digital umgewandelt werden. Anschließend sollten die > Daten dann mit der Datenbank abgeglichen werden. Das kling etwa so wie: Ich will ein Auto bauen. Dazu muss ich doch nur vier Räder kaufen und mit dem Antrieb verbinden. Wie gut kennst du dich denn mit Fourier-Transformation aus? Wie sieht es mit neuronalen Netzen aus? Weißt du wenigsten, was ein Formant ist?
:
Bearbeitet durch User
> Ich denke eher einfach in Waveforms, nun die Frage ist > welches format haben Waveforms. Byte Arrays (oder größer), eventuell irgendwie komprimiert, eventuell mit zusätzlichen meta Daten. Welches Format haben Bilder? Ist JPEG ein Format, oder 20x30cm oder Polaroid? >> Mit Sounds meinst du womöglich ein universelleres System, >> dass weit mehr als nur Sprache erkennt. > Eig. nur die menschlichen wellenlängen die gesprochen werden. Also doch weit mehr als Sprache. Dir ist schon klar, dass du hier eine Forschungsarbeit beginnst, die Jahre dauern könnte und mit der Gründung einer Firma enden könnte, die neben bereits etablierten Firmen mit ihren patenten untergehen wird? Wenn dass noch vor deiner Doktorarbeit passieren soll und kleiner sein soll, dann lass es bleiben! Mach was anderes. Denn es wird eher noch umfangreicher, als eine Doktorarbeit.
Das bringt mich auf eine Idee: Google hat auch Spracheingabe. Die ist oft sehr gut. Was passiert wenn man die Frage singt ?
Werner S. schrieb: > Was passiert wenn man die Frage singt ? Lustige Frage, ich hab's gerade ausprobiert mit "Wir singe jaja jippie jippie jey, wir singen jaja jippie jippie jey ..." Das hat mein Küchen-Tablet komplett richtig erkannt - erstaunlich.
U. M. schrieb: > Hallo, > deine Frage liest sich etwa so: > "Ich möchte mal was zum Patent anmelden. Hat jemand eine super tolle > Erfindung, die er mir für den Zweck schenkt" > >> Seyed M. schrieb: >> ich möchte für die Uni ein Projekt mit einem mikrocontroller, welches >> verschiedene Sounds erkennt (50-100stk) und die dann in einer lokalen >> Datenbank (evtl. SD-Karte) abgleicht bzw. sucht umsetzen. > Warum willst du das tun? Ist es eine offizielle Aufgabenstellung. > Ich vermute, iht sollt euch selber irgend was mit uC ausdenken, oder? > >> Anschließend >> soll es die dazugehörigen Befehle ausführen, die zum Sound gehören. >> 1.Wie wird ein Sound bzw. Geräusch interpretiert,werden die Analogen >> Wellenlängen analysiert vom mcu? >> 2.Wie sollte ich die Sounds am besten vorher speichern bzw. den mcu >> anlernen? >> 3.Werden die Sounds in mp3 format gespeichert, wäre das nicht etwas zu >> groß bei 50-100 Sounds? > Wenn du von der ganzen Sache (Pkt.1-3) so gar keine Ahnung hast, welchen > Teil deines Projektes willst du dann noch selber machen? > Zumindet zum Pkt.3 kann sich selbst ein Schüler schon mal ausrechnen, > wie viele Stunden MP3 auf eine Karte passen, wenn man die Komprimierrate > festlegt und nachschaut, welche SD-Kartengröße derzeit so verfügbar > sind. > >> 3.Welcher Mikrocontroller ist dafür geeignet? > Die Frage ist dann wohl obsolet. Suche dir lieber eine andere > Aufgabenstellung, die auch mit deinem Wissen, Fähigkeiten ud > Fertigkeiten umsetzbar ist. > > Es gibt evtl. noch einen ganz anderen weg. Zur Sounderkennung gibt es > Apps, die mit Diensten aus dem Internet arbeiten (z.B. "Shazam"). > https://www.wieheisstdaslied.de/lieder-suche/ > Wenn du so was nutzen kannst, ändert sich die Fragestellung und die > Randbedingungen deutlich, aber das Problem an sich wird dann mit einem > uC evtl. recht leicht lösbar. > Gruß ÖÖletronika Also damit das klar ist , ich bin Informatik student und muss für das Module "HMI -Human Machine Interface" mir was einfallen lassen und mir gingen paar sachen durch den kopf mit Spracherkennung. Wie viele std. mp3 auf einer sd-karten passen und bits und bytes ausrechnen, dafür muss du mir keinen Denkanstoß geben. Wie ich sehe ist aber dein Horizont mit "Shazam" schon erreicht. >Also doch weit mehr als Sprache. Dir ist schon klar, dass du hier eine >Forschungsarbeit beginnst, die Jahre dauern könnte und mit der Gründung >einer Firma enden könnte, die neben bereits etablierten Firmen mit ihren >patenten untergehen wird? Forschugsarbeit? Waveforms mit einem A/D wandler digitalisieren und binary/linear search betreiben ist also Forschungsarbeit. Nochmal für einige unter euch: In meinem Informatik Studium, habe ich weniger mit microcontrollern zutun.Ich wollte nur lediglich mir Ideen holen welche Komponenten nötig sind um das Projekt (Spracherkennung bzw. waveform vergleich) umzusetzen.Vielleicht habe ich das Projekt nicht verständlich beschrieben. Aber was manche von sich geben hier mit Forschugsarbeit und NN .... dazu sage ich besser nichts.
Seyed M. schrieb: > Forschugsarbeit? Waveforms mit einem A/D wandler digitalisieren und > binary/linear search betreiben ist also Forschungsarbeit. Nein, aber die Signalverarbeitung, die dazwischen noch nötig ist, die du aber geflissentlich ausblendest (nein, man kann nicht einfach die aufgezeichneten Samples mit was gespeichertem byteweise vergleichen). Die ist der schwere Teil. Der Rest ist Kinderkram.
Seyed M. schrieb: > Forschugsarbeit? Waveforms mit einem A/D wandler digitalisieren und > binary/linear search betreiben ist also Forschungsarbeit. Ich glaube Dir ist nicht klar, wie kompliziert der Vergleich ist. Es ist nicht nur so, dass das Geräusch praktisch immer einen anderen Pegel und andere Geschwindigkeit hat, sondern auch das es Inhaltlich nie mit dem Vergleichsmaterial übereinstimmt. binary/linear search mag bei ASCII texten noch einigermaßen funktionieren, aber nicht bei Sprache und schon gar nicht bei beliebigen Geräuschen. Eine kleine Sache als Denkanstoß: Sind "Piep-Piep-Piep" verglichen mit "Paap-Paap-Paap" ein Match? Wenn das als "gleich" erkannt werden soll, soll das System "Ja-Ja-Ja" ebenfalls als Match erkennen? Und wenn nicht, wo ist der Unterschied? Schau Dir das mal in Audacity an, und zwar von mehreren unterschiedlichen Leuten gesprochen und gesungen. Überlege dann mal, wie Schwierig ein Vergleich bzw eine Unterscheidung wird. Weder die Lautstärke, noch die Länge, noch der Rhythmus genügen, da muss man schon mehr machen. Sehr viel mehr. > In meinem Informatik Studium, habe ich weniger mit microcontrollern > zutun. Das merkt man, du überschätzt deren Leistung gehörig.
Seyed M. schrieb: > Forschugsarbeit? Waveforms mit einem A/D wandler digitalisieren und > binary/linear search betreiben ist also Forschungsarbeit. Dann weißt du doch schon, wie es funktioniert und alles ist überhaupt kein Problem für dich. Wofür dann das Forum? So als Idee: Bring das ganze auf einem PC zum Laufen. Da hast du erstmal sämtliche Hardware und genug Ressourcen und musst dich nur um den Softwarepart kümmern. Dann ganze auf einen Einplatinencomputer ala RasPi (der OrangePi Zero hat ein Viertel der Fläche, da ja RasPi zu groß) mit I2S, ADC und Co portieren. Und im letzten Schritt vielleicht auf nen ARM M7, XMOS oder so. Fertig.
Stefanus F. schrieb: > Seyed M. schrieb: >> Forschugsarbeit? Waveforms mit einem A/D wandler digitalisieren und >> binary/linear search betreiben ist also Forschungsarbeit. > > Ich glaube Dir ist nicht klar, wie kompliziert der Vergleich ist. Es ist > nicht nur so, dass das Geräusch praktisch immer einen anderen Pegel und > andere Geschwindigkeit hat, sondern auch das es Inhaltlich nie mit dem > Vergleichsmaterial übereinstimmt. > > binary/linear search mag bei ASCII texten noch einigermaßen > funktionieren, aber nicht bei Sprache und schon gar nicht bei beliebigen > Geräuschen. > > Eine kleine Sache als Denkanstoß: > > Sind "Piep-Piep-Piep" verglichen mit "Paap-Paap-Paap" ein Match? > Wenn das als "gleich" erkannt werden soll, soll das System "Ja-Ja-Ja" > ebenfalls als Match erkennen? Und wenn nicht, wo ist der Unterschied? > > Schau Dir das mal in Audacity an, und zwar von mehreren > unterschiedlichen Leuten gesprochen und gesungen. Überlege dann mal, wie > Schwierig ein Vergleich bzw eine Unterscheidung wird. Weder die > Lautstärke, noch die Länge, noch der Rhythmus genügen, da muss man schon > mehr machen. Sehr viel mehr. > >> In meinem Informatik Studium, habe ich weniger mit microcontrollern >> zutun. > > Das merkt man, du überschätzt deren Leistung gehörig. Das hört sich schon besser an ! case 1: Angenommen das Vergleichsmaterial ist mit meine Stimme aufgenommen bsp:"Ja Ja Ja" und wird gespeichert nun spreche ich "Ja Ja Ja" für die Suche. Wird es so sehr unterschiedlich von der Wellenlänge sein, dass es nicht in der Lage sein wird es zu erkennen? das ist doch wiederum eine Frage des Suchalgorithmus. Wenn wir Hintergrund Geräuche und geschwindigkeit als parameter weglassen. case 2: Es kommen Hintergrund noises und die Geschwindigkeit dazu bsp. das "Ja Ja Ja" wird schneller ausgesprochen oder im Hintergrund läuft Musik. Wird die Wellenlänge so sehr manipuliert, dass es nicht erkennbar ist? und gibts es dann wiederum nicht Mic's die relativ gut aufnehmen können oder Komponenten die die noises rausfiltern?
Seyed M. schrieb: > > case 1: Angenommen das Vergleichsmaterial ist mit meine Stimme > aufgenommen bsp:"Ja Ja Ja" und wird gespeichert nun spreche ich "Ja Ja > Ja" für die Suche. Wird es so sehr unterschiedlich von der Wellenlänge > sein, dass es nicht in der Lage sein wird es zu erkennen? das ist doch > wiederum eine Frage des Suchalgorithmus. Wenn wir Hintergrund Geräuche > und geschwindigkeit als parameter weglassen. > > case 2: > Es kommen Hintergrund noises und die Geschwindigkeit dazu bsp. das "Ja > Ja Ja" wird schneller ausgesprochen oder im Hintergrund läuft Musik. > Wird die Wellenlänge so sehr manipuliert, dass es nicht erkennbar ist? > und gibts es dann wiederum nicht Mic's die relativ gut aufnehmen können > oder Komponenten die die noises rausfiltern? Der Begriff "Wellenlänge" ist im hörbaren Spektrum (21m...17mm) übrigens eher unüblich. Meist hat man es hier mit einer Frequenz zu tun. Erst, wenn die Frequenz zu unhandlich wird, also bei z.B. Licht (Terahertz) wechselt man zur Wellenlänge. Ist nicht offiziell definiert, aber ich kenne niemanden, der irgendwelche hörbaren Töne als Wellenlänge angibt. Uhhh. Noise Cancellation und Beam Forming wie z.B. der Amazon Echo es betreibt, ist wieder eine Forschungsarbeit für sich. Anhand von Laufzeitunterschieden etc. einem Gerät selektives Hören beizubringen ist auch nicht mal eben auf nem 8bitter in zwei Tagen erschlagen. Guck dir mal an, was XMOS so im Angebot hat. Die haben Controller und Hardware, die speziell für Sprachsteuerungen entwickelt wurden und die perfomant genug sind, das Beamforming und auch das Processing zu übernehmen.
Sebastian R. schrieb: > Seyed M. schrieb: > >> Forschugsarbeit? Waveforms mit einem A/D wandler digitalisieren und >> binary/linear search betreiben ist also Forschungsarbeit. > > > Dann weißt du doch schon, wie es funktioniert und alles ist überhaupt > kein Problem für dich. Wofür dann das Forum? > > So als Idee: > Bring das ganze auf einem PC zum Laufen. Da hast du erstmal sämtliche > Hardware und genug Ressourcen und musst dich nur um den Softwarepart > kümmern. > > Dann ganze auf einen Einplatinencomputer ala RasPi (der OrangePi Zero > hat ein Viertel der Fläche, da ja RasPi zu groß) mit I2S, ADC und Co > portieren. > > Und im letzten Schritt vielleicht auf nen ARM M7, XMOS oder so. Fertig. Gute Idee ! Wenn ich das Programm in Java/C++ schreibe dann läuft es aufm PC und aufm PC kann ich locker .mp3 oder .wav Datein analysieren aber soweit ich weiß muss man in C odr Assembler schreiben für Microcontroller. Deswegen war auch die Frage vorher um Ideen zu sammeln, was für einen Format am besten für die Aufnahmen die der Mcu abarbeitet geeignet ist.
Sebastian R. schrieb: > > Der Begriff "Wellenlänge" ist im hörbaren Spektrum (21m...17mm) übrigens > eher unüblich. Meist hat man es hier mit einer Frequenz zu tun. Erst, > wenn die Frequenz zu unhandlich wird, also bei z.B. Licht (Terahertz) > wechselt man zur Wellenlänge. > Ist nicht offiziell definiert, aber ich kenne niemanden, der > irgendwelche hörbaren Töne als Wellenlänge angibt. > > > Uhhh. Noise Cancellation und Beam Forming wie z.B. der Amazon Echo es > betreibt, ist wieder eine Forschungsarbeit für sich. Anhand von > Laufzeitunterschieden etc. einem Gerät selektives Hören beizubringen ist > auch nicht mal eben auf nem 8bitter in zwei Tagen erschlagen. > > Guck dir mal an, was XMOS so im Angebot hat. Die haben Controller und > Hardware, die speziell für Sprachsteuerungen entwickelt wurden und die > perfomant genug sind, das Beamforming und auch das Processing zu > übernehmen. Danke !
Seyed M. schrieb: > Wie viele std. mp3 auf einer sd-karten passen und bits und bytes > ausrechnen, dafür muss du mir keinen Denkanstoß geben. Dummerweise dauert es etliche Minuten ehe man die MP3 wider von der SD Karte runtergekratzt hat. Für eine Spracherkennung vieeeel zu lange. Seyed M. schrieb: > Forschugsarbeit? Waveforms mit einem A/D wandler digitalisieren und > binary/linear search betreiben ist also Forschungsarbeit. Mit nur etwas Forschungsarbeit wäre Dir aufgefallen, das binary/linear search bei Spracherkennung genau gar keine Punkte gibt. Das ist bedeutend komplexer. Wenn man das Modul auf den Sprecher abstimmen ("anlernen") kann, dann gäbe es relativ preiswerte Module zur Sprecherkennung (Google: arduino voice recognition). Wenn man aber 50-100 Phrasen erkennen will, ist das Anlernen schon kacke und man nimmt lieber eine Online-Erkennung wie auf dem Smartphone. Da sitzt dann ein dicker Prozessor zur Vorverabeitung drauf und im Backend ein dicker Server für die eigentliche Erkennung in schwierigeren Fällen. Android hat Beispiel Codes zur Spracherkennung, dort kann man auch den Unterschied Offline/Online durchspielen.
Hi, so ein Programm hatte ich auch mal. Was da rauskam war, als ob eine wildgewordene Katze über die Klaviertastatur springt. https://www.musikerforum.de/showthread.php?32901-WAV-in-MIDI-Dateien-umwandeln und das "nur" WAV nach Midi. Wie schwer wird das dann noch mit dem Vergleichen eines bestehenden Thesaurus. ciao gustav
:
Bearbeitet durch User
Nochmal: beschäftige dich erst einmal mit Formanten. Die sind es, die Sprache zu Sprache machen. Du sprachst von Wellenlängen. Die Wellenlänge ist das inverse der Frequenz. Nun weiter. Jdm singt auf Tonhöhe des Kammertons a (440Hz) den Buchstaben "A". Nun singt der selbe jemand, wieder auf der selben Tonhöhe den Buchstaben "E". Beide haben eine Frequenz von 440Hz somit die selbe Wellenlänge. Wenn du nur die Wellenlänge einbeziehst, sehen das A und das E für deine Maschine exakt gleich aus.
Seyed M. schrieb: > case 1: Angenommen das Vergleichsmaterial ist mit meine Stimme > aufgenommen bsp:"Ja Ja Ja" und wird gespeichert nun spreche ich "Ja Ja > Ja" für die Suche. Wird es so sehr unterschiedlich von der Wellenlänge > sein, dass es nicht in der Lage sein wird es zu erkennen? Welche Wellenlänge? Die Aufzeichnung enthält nicht eine simple Zahl oder folge von Zahlen, die man miteinander vergleichen kann. Es ist auch nicht eine Wellenlämnge oder Frequenz, sondern eben ein Geräusch - eine Mischung aus tausenden Abschnitten die jeder aus hunderten überlappenden Frequenzen bestehen. Und selbst wenn du das so zerlegst, bekommst du kein direkt vergleichbares Material, denn jede Stimme klingt anders und jeder spricht unterschiedlich schnell. > das ist doch wiederum eine Frage des Suchalgorithmus. Genau, das ist der eigentlich Knackpunkt der Aufgabe. > Wenn wir Hintergrund Geräuche > und geschwindigkeit als parameter weglassen. Wie lässt man den Hintergrundgeräusche weg? > case 2: > Es kommen Hintergrund noises und die Geschwindigkeit dazu bsp. das "Ja > Ja Ja" wird schneller ausgesprochen oder im Hintergrund läuft Musik. > Wird die Wellenlänge so sehr manipuliert, dass es nicht erkennbar ist? Das kommt ganz darauf an, wie viele Worte/Geräusche dein Algorithmus unterscheiden können soll. Je mehr, umso komplizierter wird es. ich hatte mal ein PC Programm mit dem man Texte diktieren konnte. Nachdem es auf die eigene Stimme trainiert war hatte es von den Beispiel-Worten hunderte Varianten meiner eigenen Stimme gespeichert. Und die waren auch nötig, damit es zuverlässig funktioniert. Aber das war nur eine (meine) Stimme und auch nur Worte. Du wolltest ja noch viel weiter gehen. > und gibts es dann wiederum nicht Mic's die relativ gut aufnehmen > können oder Komponenten die die noises rausfiltern? Was ist denn "Noise", technisch gesehen? Erst wenn du ein Signal exakt beschreiben kannst, kannst du es simulieren und vom Misch-Signal subtrahieren (um es herauszufiltern). Das ist fast unmöglich. In diesem Bereich hat sich die Firma Dolby etabliert seit ich lebe, aber dennoch keine Bahnbrechenden Lösungen geschaffen.
Ich würde das Projekt vereinfachen, z.B auf Vogelstimmen reduzieren. Wenn Stimme erkannt erscheint der Vogel auf dem Display. Dazu brauchst du allermindestens einen Raspi B, und einen Algorithmus der Hintegrundgeräusche (und Weiteres) verarbeitet und filtert. Das funktioniert dann aber immer noch nicht im Wald wenn mehrere Vögel gleichzeitig singen, es ist schon schwierig genug das immer mit demselben (und unter denselben Bedingungen abgespieltem) Vogel01.mpg hinzubekommen. Aber Musik und Sprache vergiss grad mal.
:
Bearbeitet durch User
Philipp G. schrieb: > (und unter denselben Bedingungen abgespieltem) Vogel01.mpg Ein Videofile brauchst du für die Sounderkennung nicht... ;-)
npn schrieb: >> (und unter denselben Bedingungen abgespieltem) Vogel01.mpg > > Ein Videofile brauchst du für die Sounderkennung nicht... ;-) aeh ja danke, sollte natürlich .mp3 oder .wav oder was auch immer heissen. Das Format ist mal die kleinste Sorge in dieser Frage. Du könntest auch Tierstimmen nehmen, natürlich immer dieselbe. Beispiel. wuffwuff.mp3 hat zwei Peaks, messe dazwischen die Zeit. Wenn die (+-) mit der in der Datenbank gespeicherten Zeit (und anderen Parametern) übereinstimmt zeige Hund01.jpg. Miauuuuuuuuuuuuu.mp3 hat einen Peak (das I) und eine langsam abfallende Flanke. Sowas könnte man hinbekommen. Ich zumindest. Alles andere ist zu komplex. Könntest Dich ja auf Hund, Katze, Elefant, Papagei einigen. Eine südamerikanische Flachmaus von einer nordamerikanischen Breitflachmaus zu unterscheiden wird dir dadurch kaum gelingen.
:
Bearbeitet durch User
für einen an das internet angebundene µC ist das kein großes drama ^^ Cortex M4/M7 und die Google API audio aufnehmen -> zu google senden -> in der antwort steht der klartext der erkannt wurde -> mit text in datenbank vergleichen -> schalten
fsdf schrieb: > für einen an das internet angebundene µC ist das kein großes drama ^^ Da hast du doch (fast) genau das vorgeschlagen, was der TO möchte :-D Seyed M. schrieb: > mit einem mikrocontroller, welches > verschiedene Sounds erkennt (50-100stk)
Hallo, > Seyed M. schrieb: > Wie viele std. mp3 auf einer sd-karten passen und bits und bytes > ausrechnen, dafür muss du mir keinen Denkanstoß geben. Und warum stellst du dann so eine merkwürdige Frage? https://foerster-kreuz.com/es-gibt-sie-noch-die-dummen-fragen/ > Wie ich sehe ist aber dein Horizont mit "Shazam" schon erreicht. Jetzt noch pampig werden. Das ist jetzt Kleinkindniveau. Aber immerhin ist mein Horizont doch wenigstens deutlich weiter als deiner. Erst outest du dich nicht nur mit großer Naivität, sondern vor allem mit profunder Unselbstständigkeit. Sonst hättest du dich doch zumindest erst mal über ein paar Grundlagen der Audio-Signalverabeitung schlauer gemacht. Gerade zum Thema Spracherkennung gibt es eine Menge Publikationen. z.B. in der c't, zuletzt Ausgabe 18/2018 ab S.72. Selbst mit Google findet sich vieles. Gruß Öletronika
Stefanus F. schrieb: > Lustige Frage, ich hab's gerade ausprobiert mit "Wir singe jaja jippie > jippie jey, wir singen jaja jippie jippie jey ..." > > Das hat mein Küchen-Tablet komplett richtig erkannt - erstaunlich. Und jetzt wirst Du die nächsten drei Monate mit Hornbach-Werbung bombardiert. :->
Huh schrieb: > Da hast du doch (fast) genau das vorgeschlagen, was der TO möchte :-D und das geht sogar in einer größe die kaum eine RJ45 buchse überschreitet ^^ Leider ist die Google speech API nich mehr kostenlos. Aber dafür funktioniert das in mehreren Sprachen und dialekten halbwegs brauchbar. man muss nur lauschen und ab einem schwellwert die 3sek audio aufnehmen und zu google senden
Witzbold schrieb: >> Lustige Frage, ich hab's gerade ausprobiert mit "Wir singe jaja jippie >> jippie jey, wir singen jaja jippie jippie jey ..." >> >> Das hat mein Küchen-Tablet komplett richtig erkannt - erstaunlich. > > Und jetzt wirst Du die nächsten drei Monate mit Hornbach-Werbung > bombardiert. :-> Deswegen habe ich das Küchentablet verwendet, nicht mein persönliches Smartphone. Das wirklich gute daran ist: Ich kann jetzt nachsehen wie man diesen Lied-Text richtig schreibt (nicht wie oben).
Seyed M. schrieb: > Wenn ich das Programm in Java/C++ schreibe dann läuft es aufm PC und > aufm PC kann ich locker .mp3 oder .wav Datein analysieren aber soweit > ich weiß muss man in C odr Assembler schreiben für Microcontroller. Naja. Das ist so auch nicht richtig. Es gibt Java- und auch C++-Compiler für Mikrocontroller. Im Prinzip sind viele Sprachen für verschiedenste Controller portiert. Mal mehr, mal weniger brauchbar. C ist recht beliebt, weil man damit sehr leicht hardwarenah programmieren kann. Java ist da dann vielleicht etwas abstrakter. Aber gerade für die ARM M7 sollte es sehr viele Portierungen geben. XMOS hat für seine Produkte das xTIMEcomposer, welches standardmäßig mit C/C++ daherkommt.
Es macht Sinn, sowas erstmal auf dem PC zu realisieren, z.B. in Matlab oder sowas und wenn es funktioniert, sich dann erst Gedanken dazu macht, wie man das in Hardware realisiert. Denn erst dann kennst Du überhaupt die Anforderungen an die Hardware und kannst Dich für eine entscheiden.
Seyed M. schrieb: > Wenn ich das Programm in Java/C++ schreibe dann läuft es aufm PC und > aufm PC kann ich locker .mp3 oder .wav Datein analysieren Das glaube ich nicht. Versuch das mal. Meinetwegen auch als Prototyp mit Matlab. Einfach ein paarmal dasselbe Wort als WAV-Datei aufnehmen, vergleichen. Prophezeiung: Es vergehen Wochen, bis du da zu einem brauchbaren Ergebnis kommst, und Matlab bringt damit auch einen High-End-PC zum schwitzen. Alternative: Das Problem mit noch mehr Rechenleistung zuschei**en und ein neuronales Netz antrainieren. Tensorflow hat Beispiele und kann die Auswertung nachher auch auf einer Grafikkarte laufen lassen, damit kriegst du für nur 250 Watt die Erkennung auch fast verzögerungsfrei hin.
Reicht denn ein Mikrocontroller um nur auf ein Aktivierungswort zu lauschen? Wenn das Aktivierungswort erkannt wurde, könnte man den Rest an z.B. DeepSpeech weiterleiten...
HAL9k schrieb: > Reicht denn ein Mikrocontroller um nur auf ein Aktivierungswort zu > lauschen? Kommt ganz drauf an, wie viele false-positive man zulassen möchte. Wenn ich bei meinem Küchentablet das Display immer eingeschaltet lasse lauscht es auch immer. Ich habe schon hunderte male mitbekommen, dass es fälschlicherweise das Aktivierungswort erkannt hat. Deswegen habe diese Entwickler-Option wieder ausgeschaltet. Auch die Lautsprecher von Google und Amazon sind laut Presseberichten negativ aufgefallen. Nun muss man bedenken, dass all diese Geräte aber immer noch zig mal Leistungsstärker sind, als die üblichen Mikrocontroller. Nicht vergessen: Raspi war ihm ja schon zu groß. Darüber hinaus hat der TO klar gesagt, dass es um mehr als nur Sprache geht.
Stefanus F. schrieb: > Darüber hinaus hat der TO klar gesagt, dass es um mehr als nur Sprache > geht. Wo hat er das eigentlich gesagt? Ich sehe hier eine ausdrückliche Einschränkung auf Sprache: Seyed M. schrieb: > Eig. nur die menschlichen wellenlängen die gesprochen werden.
Rolf M. schrieb: > Wo hat er das eigentlich gesagt? Im Eröffnungspost waren noch ganz allgemein die Rede von "Sounds" (Salami?) Seyed M. schrieb: > ... welches verschiedene Sounds erkennt ...
Seyed M. schrieb: > In meinem Informatik Studium, habe ich weniger mit microcontrollern > zutun.Ich wollte nur lediglich mir Ideen holen welche Komponenten nötig > sind um das Projekt (Spracherkennung bzw. waveform vergleich) > umzusetzen Deine Anfrage erscheint ... merkwürdig. Die notwendigen Hardware-Komponenten (Mikrofon, AD-Wandler, Prozessor, Speicher) sind schnell aufgezählt. Die notwendigen Software-Komponenten wurden ja schon genannt. Die Algorithmen, welche diese Software-Komponenten abbilden, sind eh "in Hochsprache geschrieben". Insofern ist es egal, ob diese in einem (Windows- oder Linux-PC, oder an einem Microcontroller zur Ausführung gelangt. Als Informatik-Student solltest du gut in der Lage sein, diese Software-Komponenten sorgfältig zu gliedern und zu strukturieren. Vielleicht lässt sich alles "lokal" (an einem (Windows- oder Linux-) PC, oder gegebenenfalls auf einem Mikrocontroller) abbilden. Komplexere Systeme wie z.B. "Siri" und Co brauchen noch jede Menge Rechenleistung im Hintergrund, das wirst du nicht (nur) lokal abbilden können. Selbst solch eine Fern-Anbindung lässt problemlos mit PC oder Mikrocontroller darstellen.
Wer sich mal die Sprachsteuerung in einem alten C-Netz Autotelefon anschaut, erkennt, das es sogar in den Anfängen gehörige Rechenleistung brauchte, um auch nur ein paar Zahlen (und 5-6 Worte) zu erkennen. In einem geplünderten Exemplar arbeitete da ein DSP TMS320C25 mit 50MHz, 10ns Dualport RAM, nochmal 128kB RAM und etwa 128kB ROM. Von daher denke ich auch, das mindestens ein RPi(B?) nötig ist, um ohne Cloud Anbindung auch nur in die Anfänge der Sprachsteuerung zu kommen. Nicht zu vergessen einen schnellen Audioeingang, der den Rpi ohne ruckeln füttern kann.
Werner S. schrieb: > Formantenanalyse: > Jetzt ist er informiert. Na ja, stimmt ja eigentlich auch. Mehr muss man wirklich nicht tun. Nur ist das eben nicht so einfach. Die Signale und die Muster müssen präpariert werden, um das effektiv zu tun. Einen Klangverlauf über die Zeit mit einem Muster zu vergleichen erfordert ein matching im Frequenzbereich, als FIR von FFT-Profilen und das ausreichend schnell. Dann müssen statistische Bewertungen rein, um die Vokale und Explosivlaute zu erkennen, Worte und Silben hinterlegt werden, ein hashing etabliert werden, mit dem man schnell die offenkundigen mismatches rausschmeißen kann, um dann im Detail zu testen. Im Prinzip ist es nichts anderes, als SW-Mustererkennung wie bei der BV, nur dass das Audio die Dimensionen Pegel = f(Zeit, Frequenz) hat während das Bild Pegel = f(X,Y) hat und das für die "Frequenzen" R,G,B.
naja, vielleicht wil der Thread-Eröffner auch nur so was wie ein "Klatsch-Schalter" für verschiedene unterscheidbare "Töne". Da liesse sich mit "Morse-Technik" irgendwas aufbauen. Dann ist es (fast) egal, ob das schnell oder langsam, gesprochen, gepupst oder sonstwie ton-generiert wird. Naja, bei "50 - 100" brauchts auch irgendwas um 6-7 Bit. Und irgendwer muss sich dann merken, das "7 mal Kurz" dem Befehl "Tür auf" entspricht.
Beitrag #5607625 wurde von einem Moderator gelöscht.
Sollte der TO noch mitlesen, ist hier etwas Lesematerial für ihn: Ein älterer, aber immer noch aktueller Artikel, der aber gut den Stand der Technik für Einzelworterkennung beschreibt: https://www.spektrum.de/magazin/prinzipien-stand-der-technik-sprecherabhaengige-einzelworterkennung/821429 https://de.wikipedia.org/wiki/Spracherkennung#Diskrete_und_kontinuierliche_Sprache Eine Suche nach "Einzelworterkennung" liefert viel Material.
Erstmal vielen Dank für die Zahlreichen Ideen und Ansatzpunkte.Ich habe es zu schwammig erklärt denke ich. Zweite Versuch :D Sound bzw. Worterkennung ist etwas zu weit gegriffen,dann müsste man ja quasi eine Datenbank oder Lokal jede Silbe und jedeswort anlernen und es müsste in der Lage aus Silben wörter zu bilden und es zu erkennen etc. Das ist schon etwas schlauer als das was ich vorhabe. Mein Ansatz ist immernoch die: Anlernen: Ich spreche ein Wort aus oder ein Geräusch(mit Sound habe ich Geräusch gemeint) maximale länge wäre 5 sek. und es wird gespeichert in Frequenz oder was auch immer. (Die Frage mit Datei-Format .mp3 .wav etc.) Nun spreche ich es wieder aus und der controller muss nur in der Lage sein es zu vergleichen(mit den anderen 50 gespeicherten frequenzen) und dann einen return wert zurück geben. Die Herausforderung wäre dann wenn die Umgebung sich akustisch ändert,wäre es immernoch in der Lage die Freuquenzen zu erkennen bzw. zu unterscheiden.(Die Frage mit Noise reduzierung) >un weiter. Jdm singt auf Tonhöhe des Kammertons a (440Hz) den >Buchstaben "A". Nun singt der selbe jemand, wieder auf der selben >Tonhöhe den Buchstaben "E". Beide haben eine Frequenz von 440Hz somit >die selbe Wellenlänge. Wenn du nur die Wellenlänge einbeziehst, sehen >das A und das E für deine Maschine exakt gleich aus. Aber laut dieser Aussage ist es schwierig frequenzen genau zu unterscheiden... bzw. zu vergleichen. Ich muss noch bissn. weiter forschen ansonsten muss ich das Projekt ändern..
Seyed M. schrieb: > Erstmal vielen Dank für die Zahlreichen Ideen und Ansatzpunkte. > Ich habe es zu schwammig erklärt denke ich. Ach nee, was für eine Erkenntnis! Wenn es in diesem Tempo weiter geht, schaffst du es vielleicht noch vor dem Altersheim, fertig zu werden. Dein Ansatz, an dem du immer noch festhältst ist eine Sackgasse. Aber mach nur, lauf noch ein paar mal feste gegen die Wand, vielleicht ändern sich die Naturgesetze für dich. Jedenfalls entnehme ich deinem letzten Beitrag, dass du kein Interesse an unserem Rat zeigst. Es war Zeitverschwendung für uns alle. Für Dich übrigens auch.
Stefanus F. schrieb: > Dein Ansatz, an dem du immer noch festhältst ist eine Sackgasse. Aber > mach nur, lauf noch ein paar mal feste gegen die Wand, vielleicht ändern > sich die Naturgesetze für dich. > > Jedenfalls entnehme ich deinem letzten Beitrag, dass du kein Interesse > an unserem Rat zeigst. Es war Zeitverschwendung für uns alle. Für Dich > übrigens auch. Wohl wahr. Allerdings wurden die richtigen zielführenden Stichworte zum Thema auch noch nicht genannt, insofern hält sich die gebotene Hilfe in sehr übersichtlichen Grenzen. Also ist eigentlich eher als nicht vorhanden zu bezeichnen, genauer gesagt... Vielleich solltest Du auch einmal selbstkritisch hinterfragen ob Du wirklich zu jedem Thema hier einen Kommentar absondern mußt, egal ob Ahnung vorhanden oder nicht. Es ist ja keine Schande in einzelnen Fachgebieten nicht kompetent zu sein, man sollte sich dann aber auch mal zurückhalten, im Bewusstsein der eigenen Defizite. Und nicht dem Zwang unterliegen, als vermeintliche Forumsikone zwanghaft mit nichtssagende Sprechblasen in jeden Thread hinein zu grätschen.
Stefanus F. schrieb: > Seyed M. schrieb: >> Erstmal vielen Dank für die Zahlreichen Ideen und Ansatzpunkte. >> Ich habe es zu schwammig erklärt denke ich. > > Ach nee, was für eine Erkenntnis! Wenn es in diesem Tempo weiter geht, > schaffst du es vielleicht noch vor dem Altersheim, fertig zu werden. > > Dein Ansatz, an dem du immer noch festhältst ist eine Sackgasse. Aber > mach nur, lauf noch ein paar mal feste gegen die Wand, vielleicht ändern > sich die Naturgesetze für dich. > > Jedenfalls entnehme ich deinem letzten Beitrag, dass du kein Interesse > an unserem Rat zeigst. Es war Zeitverschwendung für uns alle. Für Dich > übrigens auch. Lieber Stefanus, du hast jetzt ein paar mal geantwortet und ich habe mir alle deine Antworten zum Thema nochmal durchgelesen und sie sind einfach nicht produktiv und du bist die ganze Zeit auf Konfrontation aus. Lass es einfach, du bist keine Hilfe und sorgt für schlechte Stimmung. Danke !
Dun hast Recht, ich habe von diesem Fachgebiet nur wenig Ahnung. Ich habe fast 10 Jahre lang einige zig Voice Recognition Systeme und Voice Synthese von drei Herstellern betrieben und konfiguriert. Auf den Schulungen der Hersteller habe ich nur ein sehr grobes Verständnis von deren Funktionsweise erhalten. Bevor wir den TO mit völlig falschen Annahmen ins Verderben laufen lassen, möchte ich ihn aber wenigstens davor warnen, wo sein gewählter Weg enden wird. Zumindest das kann ich mit Sicherheit erkennen. Das ist ein sehr spezielles Fachgebiet, von dem nur wenige Leute Ahnung haben. Deswegen lautete mein Rat (ganz oben in der allerersten Antwort) bereits: > Du kannst ja mal bei Nuance anfragen ob sie Dir ihre Methode verraten Wenn er das Thema ernst meint und entsprechend Geld dafür hat, wird er bei dieser Firma die Hilfe bekommen, die er braucht. Da bin ich absolut sicher. Hier noch der Link zur Firmenseite: https://www.nuance.com/mobile/speech-recognition-solutions.html
Seyed M. schrieb: > Anlernen: > Ich spreche ein Wort aus oder ein Geräusch(mit Sound habe ich Geräusch > gemeint) maximale länge wäre 5 sek. und es wird gespeichert in Frequenz > oder was auch immer. (Die Frage mit Datei-Format .mp3 .wav etc.) > > Nun spreche ich es wieder aus und der controller muss nur in der Lage > sein es zu vergleichen(mit den anderen 50 gespeicherten frequenzen) und > dann einen return wert zurück geben. Mach einfach mal folgenden, ganz simplen Versuch: Nimm einen PC, auf dem eine Audiosoftware wie z.B. Audacity läuft, und nimm mehrfach hintereinander Dich selbst auf, wie Du das selbe Wort in in ein Mikrophon sprichst. Dazwischen aber stehst Du auf, verlässt den Raum, gehst eine Runde spazieren o.ä. Und dann sieh' Dir einfach mal die Wellenformen der Audiodateien an, die Dir Audacity erfreulicherweise anzeigt.
Seyed M. schrieb: > ich möchte für die Uni ein Projekt mit einem mikrocontroller, welches > verschiedene Sounds erkennt Da du an einer Uni studierst, hast du also schon selber recherchiert. Sollte man zumindest von einem (Uni-)Studenten erwarten können. Seyed M. schrieb: > Lieber Stefanus, du hast jetzt ein paar mal geantwortet und ich habe mir > alle deine Antworten zum Thema nochmal durchgelesen und sie sind einfach > nicht produktiv und du bist die ganze Zeit auf Konfrontation aus. > Lass es einfach, du bist keine Hilfe und sorgt für schlechte Stimmung. > Danke ! Keine Ahnung haben, aber davon ganz viel. Hilft Mama dir noch, deine Schuhe zu zubinden?
Seyed M. schrieb: >> Lieber Stefanus, du hast jetzt ein paar mal geantwortet und ich habe >> mir alle deine Antworten zum Thema nochmal durchgelesen und sie sind >> einfach nicht produktiv und du bist die ganze Zeit auf Konfrontation >> aus. STK500-Besitzer schrieb: > Keine Ahnung haben, aber davon ganz viel. > Hilft Mama dir noch, deine Schuhe zu zubinden? Sieh das mal aus der Sicht von Seyed. Ich habe ihm wirklich nicht dabei geholfen, seinen bereits gewählten Weg weiter zu gehen. Im Gegenteil: Ich habe mehrfach versucht, ihn aufzuhalten. Wichtig ist, dass man voran kommt - genau daran hapert es momentan. Dass der TO nun unzufrieden ist, ist gut und richtig. Mehr kann ich momentan sowieso nicht mehr beitragen. Es ist für mich wirklich Zeit, mich hier auszuklinken.
Stefanus F. schrieb: > Bevor wir den TO mit völlig falschen Annahmen ins Verderben laufen > lassen, möchte ich ihn aber wenigstens davor warnen Ja, aber man sollte dann doch nichts sachlich falsches schreiben. Das geht gleich bei der ersten Antwort los: Stefanus F. schrieb: >> Werden die Sounds in mp3 format gespeichert, wäre das nicht >> etwas zu groß bei 50-100 Sounds? > > Gegenfrage: Kennst du ein wesentlich kompakteres Format? Ja! Selbstverständlich können die Daten wesentlich kompakter gespeichert werden, wenn Töne, Klänge und Geräusche nur zum Zwecke der Analyse / Mustererkennung gespeichert werden sollen. Allerdings teile ich die Einschätzung daß TO kein wirkliches Interesse mitbringt. Das Inet bietet tolle Recherchemöglichkeiten von denen wir früher nur geträumt hätten. Wenn dann trotzdem 0 Vorwissen vorhanden ist habe auch ich keine Lust hier den Erklärbär zu geben...
ggdggggggg schrieb: > https://github.com/arjo129/uSpeech wenn man hier vieleicht weitere dinge ( spektrum usw ) einbezieht.. kann man damit vieleicht was anstellen
Jetzt müsste es eigentlich gehen, sagte der Entwickler bevor er die nächsten Monate nach dem Fehler suchte .. Ist es nicht jedem von uns schon einmal so ergangen, wie dem selbstbewussten Jungstudenten der von der Einfachheit seiner Idee überzeugt, sich in in das Projekt stürzen will? Natürlich weiß er noch nichts über die Untiefen der Spracherkennung, dass sich Wellenformen aufgrund von Schallreflexionen, stochastischer Einflüsse der Spracherzeugung durch die Stimmbänder und des Rachenraums als Resonanzfilters, nie wiederholen, an die Vokalklassifizierer, IIR-Filter, Waveletransformationen, CELP Decoder, Markov-Ketten und KNNs die sich in Spracherkennungen finden. Aber er ist noch jung und wird in seiner Laufbahn noch viel lernen.
Auch wenn ich finde, dass du ein noch grünerer Grünschnabel bist, als ich es schon bin und dazu noch rotzfrech - allerdings bist du ein Informatikersuperheld mit Selbstvertrauen (und das find ich dann wieder bemerkenswert) und habe noch Folgendes zu sagen: Wenn du von Anlernen sprichst gebe ich dir mal den Stichpunkt Support Vector Machine mit auf den Weg. Lässt sich ziemlich gut unter Matlab einarbeiten und man kann in kurzer Zeit Erfolge erzielen (wir hatten binnen 1h EEG-Signale in "an rechts denken und an links denken" differenziert mit ner 80% Erfolgsquote). Allerdings bin ich kein Audiospezialist und weiß nicht ob es da vllt bessere Lösungen gibt. Letzte Woiche ging es um den Goertzel-Algorithmus, denke aber dass da Sprach zu komplex für ist. Vllt kannst du aj wirklich über Spektrum und SVM gehen...allerdings kenne ich keinen Mirkocontroller der das Ganze in Echtzeit umsetzen könnte... Gruß
Anlernen bedeutet eine statistische Analyse von vielen Samples. Und am Schluss sollten Sample1[0..N], Samples2[0..N], Sample3[0..N], .. SampleM[0..N] alle hireichend Othogonal aufeinander sein. Was der Poster noch nicht ganz begriffen hat, ist dass Sprache mehr als eine Sequenz von kleiner 5 sekunden clips ist. Ich darf annehmen, dass die zu trainierenden Clips mehr als nur "Licht an", "Licht aus", "Musik lauter", .. sein soll. die Ueblichen systeme, Android, Amazon, usw haben alle ein Keyword, um die Aufmerksamkeit des Systems zu erregen : "Google", "Alexa" allenfalls erst mal damit beginnen.
:
Bearbeitet durch User
>vieleicht reicht ihm das ja : >https://github.com/arjo129/uSpeech Was dem Beispiel fehlt, ist eine Erklärung. Auf welchem Arduino soll das laufen? Uno? Due? irgend ein anderer? Wie ist das Mikrophon angeschlossen?
Marc schrieb: > Was dem Beispiel fehlt, ist eine Erklärung. schon mal auf der referenzierten Projektseite rumgestöbert? Es ist ein Link zu wordpress.com, und befindet sich direkt auf der Startseite des github repository von uSpeech.
Audio Fingerprinting: https://stackoverflow.com/questions/6269167/open-source-audio-pattern-recognition-finger-printing
So schwer ist die Thematik nun auch wieder nicht. Einfache Wortmustererkennung ist simpel. Machen wir bei uns auch. Schon lange vor Alexa und Siri.
Martin K. schrieb: > So schwer ist die Thematik nun auch wieder nicht. Einfache > Wortmustererkennung ist simpel. Machen wir bei uns auch. Schon lange vor > Alexa und Siri. Kannst du dem TO erklären, wie "Einfache Wortmustererkennung" funktioniert? Ich frage, weil ich neugierig bin. Damit könnte man coole Sachen basteln.
>schon mal auf der referenzierten Projektseite rumgestöbert? Ups, glatt übersehen, es ist tatsächlich ein Arduino-Uno: https://github.com/arjo129/uSpeech/wiki/Hardware Es werden "Fricatives" ( Reiblaut, habe ich noch nie gehört ) erkannt. https://github.com/arjo129/uSpeech/wiki/How-%C2%B5Speech-Detects-Phonemes
Thread beobachten
Seitenaufteilung abschaltenBitte melde dich an um einen Beitrag zu schreiben. Anmeldung ist kostenlos und dauert nur eine Minute.
Bestehender Account
Schon ein Account bei Google/GoogleMail? Keine Anmeldung erforderlich!
Mit Google-Account einloggen
Mit Google-Account einloggen
Noch kein Account? Hier anmelden.