簡介動(dòng)態(tài)時(shí)間規(guī)整DTW算法是一種經(jīng)典的序列匹配方法專門用于處理長度不同但形態(tài)相似的時(shí)序數(shù)據(jù)它通過構(gòu)造二維代價(jià)矩陣?yán)脛?dòng)態(tài)規(guī)劃搜索最小失真路徑使序列可在時(shí)間軸上伸縮對齊從而解決了傳統(tǒng)歐氏距離無法應(yīng)對時(shí)間錯(cuò)位的問題在語音識(shí)別、生物信息學(xué)、手勢識(shí)別和金融數(shù)據(jù)分析等領(lǐng)域應(yīng)用廣泛。這份基于 MATLAB 的源碼包正面向上述領(lǐng)域的研究者、算法學(xué)習(xí)者及語音識(shí)別開發(fā)人員可在 MATLAB 6.5 環(huán)境下直接運(yùn)行壓縮包共含五個(gè)文件其中四個(gè)為 m 腳本、一個(gè)為 txt 說明整體僅 5KB結(jié)構(gòu)緊湊。核心腳本完整展示了距離矩陣計(jì)算與最優(yōu)路徑回溯另附算法變體、語音活動(dòng)檢測及測試模塊便于對比學(xué)習(xí)、二次開發(fā)和結(jié)果驗(yàn)證通過閱讀這些代碼讀者能深入理解動(dòng)態(tài)規(guī)劃在序列匹配中的應(yīng)用細(xì)節(jié)包括累積距離定義、邊界條件設(shè)置、路徑搜索策略等并可直接遷移到自己的項(xiàng)目中。該資源已有 286 人瀏覽學(xué)習(xí)是一份簡潔、實(shí)用、適合上手的學(xué)習(xí)資料。1. 一個(gè) dtw.zip 把時(shí)間軸壓平DTW 算法在 MATLAB 里搭配 VAD 解決什么解壓開這類壓縮包你大概率會(huì)看到一段規(guī)整的 DTW 主函數(shù)和一個(gè)能跑的 demo但真正讓從業(yè)者翻車的從來不是那三行遞推公式而是喂進(jìn)去的序列里混著靜音和噪聲。動(dòng)態(tài)時(shí)間規(guī)整DTW的作用是讓兩條長度不同、走勢相似的序列在時(shí)間軸上對齊它默認(rèn)用戶給的起點(diǎn)和終點(diǎn)都是有效內(nèi)容可錄音天然帶靜音段兩邊各拖一段空白進(jìn)去累積距離會(huì)被靜音稀釋最優(yōu)路徑也被拉偏。因此做語音匹配的人會(huì)在 DTW 前加一級 VAD語音活動(dòng)檢測先用短時(shí)能量和過零率把有效語音段切干凈再拿切好的片段做模板比對。這篇筆記面向用 MATLAB 做孤立詞識(shí)別、課程設(shè)計(jì)和傳感器序列對齊的從業(yè)者把 dtw.zip 背后那條常見技術(shù)鏈講透DTW 怎么手寫、VAD 怎么接、參數(shù)怎么設(shè)、哪些坑會(huì)讓你白跑一夜。2. DTW 遞推公式變成可運(yùn)行的 dtw_custom窗口約束、回溯與距離度量2.1 為什么不能用歐氏距離直接算相似度很多人拿到 dtw.zip 第一反應(yīng)是讀兩個(gè)語音段然后逐點(diǎn)相減結(jié)果發(fā)現(xiàn)數(shù)值完全不可用。原因很直接兩個(gè)序列長度經(jīng)常不一樣同一個(gè)人說同一個(gè)詞快慢可以差出百分之三四十的時(shí)長傳感器采集的序列更是隨工況變長變短。歐氏距離要求兩個(gè)向量等長強(qiáng)行用插值或裁剪拉齊會(huì)把時(shí)間結(jié)構(gòu)壓變形——中間的停頓被拉伸元音段被壓縮關(guān)鍵爆破音可能被切掉能對上才怪。DTW 的思路是承認(rèn)時(shí)間軸可以伸縮逐幀尋找最合適的對齊關(guān)系讓形態(tài)相似的幀互相配對再累計(jì)配對代價(jià)。通俗地說DTW 回答的是“把 A 這個(gè)彈簧拉一拉、扭一扭變成 B 要花多大力氣”而不是“第 1 幀就必須對第 1 幀”。這個(gè)直覺立住以后看遞推公式和回溯代碼才不會(huì)被矩陣方向繞暈。2.2 手寫一個(gè)支持窗口約束的 dtw_custom 函數(shù)MATLAB 自帶 Signal Processing Toolbox 里確實(shí)有dtw函數(shù)但它處理的是單變量序列且默認(rèn)做了標(biāo)準(zhǔn)化度量口徑和作業(yè)包里自定義實(shí)現(xiàn)經(jīng)常對不上。所以建議直接用自定義版本完整代碼如下。function [cost, path_i, path_j] dtw_custom(a, b, w) % 手動(dòng)實(shí)現(xiàn)動(dòng)態(tài)時(shí)間規(guī)整DTW % 輸入 % a, b : 特征序列維度為 D×N每一列是一幀的特征向量 % w : 窗口約束帶寬單位是幀Inf 表示不限制 % 輸出 % cost : 終點(diǎn)累積距離未歸一化 % path_i, path_j : 對齊路徑下標(biāo) na size(a, 2); nb size(b, 2); % 距離矩陣 D 用來存累積距離inf 表示該格子尚未打開 D inf(na, nb); % 起點(diǎn)和邊界第一行、第一列只能沿著一個(gè)方向累積 D(1,1) norm(a(:,1) - b(:,1)); for i 2:na D(i,1) D(i-1,1) norm(a(:,i) - b(:,1)); end for j 2:nb D(1,j) D(1,j-1) norm(a(:,1) - b(:,j)); end % 主循環(huán)只允許從左邊、上邊、左上角三個(gè)方向轉(zhuǎn)移 for i 2:na j_lo max(2, i - w); j_hi min(nb, i w); if j_lo j_hi continue; end for j j_lo:j_hi d_ij norm(a(:,i) - b(:,j)); D(i,j) d_ij min([D(i-1,j), D(i,j-1), D(i-1,j-1)]); end end cost D(na, nb); if isinf(cost) warning(窗口約束把路徑卡死了請調(diào)大 w); end % 回溯路徑從終點(diǎn)反向找最小值來源 path_i na; path_j nb; while path_i(end) 1 || path_j(end) 1 i path_i(end); j path_j(end); cand [inf, inf, inf]; if i 1 cand(1) D(i-1,j); end if j 1 cand(2) D(i,j-1); end if i 1 j 1 cand(3) D(i-1,j-1); end [~, dir] min(cand); switch dir case 1 path_i(end1) i-1; path_j(end1) j; case 2 path_i(end1) i; path_j(end1) j-1; case 3 path_i(end1) i-1; path_j(end1) j-1; end end path_i fliplr(path_i); path_j fliplr(path_j); end這段代碼把 DTW 拆成三步。第一步初始化距離矩陣第一行第一列只能橫著或豎著累積因?yàn)槁窂讲辉试S回頭邊界的來源方向是唯一的。第二步填累積距離表min([D(i-1,j), D(i,j-1), D(i-1,j-1)])就是核心遞推三種轉(zhuǎn)移分別對應(yīng)“B 序列停頓”“A 序列停頓”“兩幀同時(shí)前進(jìn)”累積距離代表走到當(dāng)前格子的最小代價(jià)。第三步回溯路徑從終點(diǎn)反推每個(gè)格子來自哪個(gè)方向最后fliplr把路徑恢復(fù)成從起點(diǎn)開始的順序。窗口約束體現(xiàn)在j_lo max(2, i - w)和j_hi min(nb, i w)上它限制了路徑只能在 |i-j|≤w 的帶狀區(qū)域里偏移也就是 Sakoe-Chiba band 的常見實(shí)現(xiàn)。參數(shù)w的單位是幀不是秒對 25ms 幀長的語音窗口取較短序列長度的 10%~15%大約對應(yīng) 5~8 幀的時(shí)移余量。設(shè)成 Inf 可以得到無約束結(jié)果但計(jì)算量從 O(n·w) 漲回 O(m·n)序列長時(shí)明顯變慢。回溯路徑可以和距離矩陣一起畫成熱力圖路徑大面積橫走或豎走說明序列兩端混進(jìn)了靜音幀VAD 沒切干凈。2.3 距離度量與特征歸一化歐氏距離不是唯一選擇dtw_custom里用的是norm(a(:,i) - b(:,j))這是標(biāo)準(zhǔn) L2 距離。但有一個(gè)前提特征各維的量綱不能差太遠(yuǎn)。比如 MFCC 的第 1 維是能量相關(guān)系數(shù)數(shù)值可能比高階倒譜系數(shù)大一個(gè)數(shù)量級直接算歐氏距離等于只比音量不比發(fā)音內(nèi)容。常見做法是先進(jìn) Z-score 標(biāo)準(zhǔn)化再走 L2。% 按特征維度標(biāo)準(zhǔn)化消除量綱差異 feat zscore(feat, 0, 2);這里feat是 D×N 結(jié)構(gòu)zscore(feat, 0, 2)表示沿維度維第 1 維計(jì)算均值和標(biāo)準(zhǔn)差。標(biāo)準(zhǔn)化后再喂給 DTW距離表達(dá)的是“相對形態(tài)差異”而不是絕對幅值差異。如果任務(wù)換成說話人確認(rèn)可以用余弦距離替代 L2把d_ij改成1 - dot(a(:,i), b(:,j)) / (norm(a(:,i)) * norm(b(:,j)))。我個(gè)人的經(jīng)驗(yàn)是孤立詞識(shí)別用 L2 更穩(wěn)因?yàn)榘l(fā)音內(nèi)容差異會(huì)體現(xiàn)在距離幅度上說話人確認(rèn)用余弦更穩(wěn)因?yàn)楦P(guān)注特征方向而非能量大小。壓縮包代碼里一般寫死 L2跑通后想換度量只改d_ij這一處即可。3. 把 dtw.zip 跑成最小可用鏈路VAD 切段、幀號換算與調(diào)用腳本3.1 先理清文件布局主函數(shù)、工具函數(shù)和 demo 腳本網(wǎng)上流傳的 dtw.zip 大多是“半成品作業(yè)包”DTW 核心函數(shù)寫得規(guī)整但 demo 腳本留著上傳者電腦里的絕對路徑比如addpath(E:\MATLAB\dtw)換一臺(tái)機(jī)器直接運(yùn)行必報(bào)錯(cuò)。解壓后第一步不是點(diǎn)運(yùn)行而是先打開主腳本看它調(diào)用了哪些 m 文件、數(shù)據(jù)路徑寫在哪。常見角色如下表所示實(shí)際包可能少文件或多文件但分工基本是這個(gè)套路。文件角色常見命名作用DTW 核心dtw.m / dtw_custom.m輸入特征序列輸出距離和路徑VAD 切段vad.m / energy_zcr.m輸入采樣點(diǎn)輸出語音段邊界特征提取mfcc.m / mfcc_feature.m輸入音頻輸出逐幀特征向量demo 腳本main.m / test_dtw.m串起全流程的入口檢查完角色后把腳本里的addpath(E:\...)這類絕對路徑刪掉換成相對路徑。在解壓目錄執(zhí)行下面的命令就把當(dāng)前目錄加入 MATLAB 搜索路徑了。addpath(pwd);這個(gè)細(xì)節(jié)雖然簡單但能避免一大類“明明文件都在一運(yùn)行就說函數(shù)未定義”的報(bào)錯(cuò)。另外注意看數(shù)據(jù)文件是 wav 還是 mat前者用audioread讀后者直接load。數(shù)據(jù)是 mat 時(shí)還要確認(rèn)里面存的變量名有的包把特征預(yù)先存好了省去自己提特征這一步。3.2 雙門限 VAD用短時(shí)能量和過零率切出有效語音段DTW 對序列兩端的要求很高路徑必須從 (1,1) 出發(fā)、到 (na,nb) 結(jié)束如果起點(diǎn)或終點(diǎn)落在靜音幀上語音主體會(huì)被擠到路徑中段距離完全失真。所以要先用 VAD 把有效段切出來。下面這個(gè)雙門限 VAD 是最小可用實(shí)現(xiàn)思路是先能量后過零率。function [segs] vad_double_threshold(x, fs) % 雙門限法語音活動(dòng)檢測 % 輸入 % x : 單聲道采樣點(diǎn)列向量 % fs : 采樣率單位 Hz % 輸出 % segs: N×2 矩陣每行 [start_sample, end_sample] % % 幀長 25ms幀移 10ms這是語音識(shí)別里的常見配置 frame_len round(0.025 * fs); frame_shift round(0.010 * fs); num_frames floor((length(x) - frame_len) / frame_shift) 1; en zeros(1, num_frames); zcr zeros(1, num_frames); for f 1:num_frames idx (f-1)*frame_shift (1:frame_len); seg x(idx); en(f) sum(seg .^ 2); % 短時(shí)能量 zcr(f) sum(abs(diff(seg 0))) / frame_len; % 過零率 end % 高門限取最大能量的 10%低門限是高門限的十分之一 en_high max(en) * 0.10; en_low en_high * 0.1; zcr_th mean(zcr) std(zcr); % 過零率自適應(yīng)門限 % 第一遍能量高于高門限的幀標(biāo)記為語音核心 voice zeros(1, num_frames); voice(en en_high) 1; % 第二遍從核心向兩邊擴(kuò)展把清音段拉回來 for f 2:num_frames-1 if voice(f) 0 (voice(f-1) 1 || voice(f1) 1) if en(f) en_low || zcr(f) zcr_th voice(f) 1; end end end % 連續(xù) 1 的幀串成語音段再換算回采樣點(diǎn)范圍 start_i find(diff([0, voice]) 1); stop_i find(diff([voice, 0]) -1); segs [start_i(:), stop_i(:)]; segs(:,1) (segs(:,1)-1) * frame_shift; segs(:,2) (segs(:,2)-1) * frame_shift frame_len; end這段代碼的關(guān)鍵在于“雙門限”三個(gè)字。第一遍用高門限找能量足夠高的核心語音幀相當(dāng)于把元音段先框出來第二遍向兩側(cè)擴(kuò)展低能量但過零率高的幀也會(huì)被收進(jìn)語音段這樣 f、s 這類摩擦音不會(huì)丟。diff(seg 0)統(tǒng)計(jì)相鄰采樣點(diǎn)符號變化次數(shù)除以frame_len得到歸一化過零率比 sign 判法更直觀也不容易被直流偏移帶偏。注意擴(kuò)展只做了一輪遇到中間夾著較長低能量洞的語音會(huì)補(bǔ)不齊嚴(yán)謹(jǐn)做法是外層套 while 循環(huán)反復(fù)擴(kuò)展直到?jīng)]有新幀加入這里先給一個(gè)能跑的版本。參數(shù)方面幀長 25ms、幀移 10ms 是常見默認(rèn)值壓縮包內(nèi)部即使寫的是 20ms/10ms不換也行但所有函數(shù)必須共用同一個(gè)frame_shift。en_high取最大值 10%、en_low取高門限 10%這兩個(gè)百分比是經(jīng)驗(yàn)值。如果錄音底噪大VAD 會(huì)把尾音拖太長優(yōu)先調(diào)這兩檔而不是去改幀長。過零率門限寫成mean std相當(dāng)于自適應(yīng)門限比固定閾值抗環(huán)境噪聲能力強(qiáng)這也是 zip 包能換設(shè)備跑的關(guān)鍵。3.3 把 VAD 結(jié)果喂給 DTW最小可用調(diào)用腳本假設(shè)你已經(jīng)把 MFCC 特征抽好了完整調(diào)用鏈很短讀 wav、VAD 切段、切出特征片段、兩兩 DTW。腳本里有一處非常容易踩的細(xì)節(jié)我在注釋里標(biāo)了出來。%% 最小調(diào)用鏈在解壓根目錄執(zhí)行本腳本 addpath(pwd); [x, fs] audioread(record_1.wav); x x(:, 1); % 只要單聲道 segs vad_double_threshold(x, fs); % 特征提取每幀 13 維輸出按“特征維 × 幀數(shù)”組織 % 如果裝了 Audio Toolbox可以直接用 mfcc(x, fs)再轉(zhuǎn)置 feat extract_features(x, fs); % 關(guān)鍵一步把采樣點(diǎn)下標(biāo)換算成幀下標(biāo) frame_shift round(0.010 * fs); seg_frame zeros(size(segs)); seg_frame(:,1) floor((segs(:,1) - 1) / frame_shift) 1; seg_frame(:,2) floor((segs(:,2) - 1) / frame_shift) 1; % 取第 1 段做參考模板第 2 段做待匹配樣本 ref feat(:, seg_frame(1,1):seg_frame(1,2)); test feat(:, seg_frame(2,1):seg_frame(2,2)); % 窗口約束按參考段長度的 15% 設(shè)置 w round(size(ref, 2) * 0.15); [cost, pi, pj] dtw_custom(ref, test, w); fprintf(DTW距離: %.3f, 路徑幀數(shù): %d\n, cost, numel(pi));第一處細(xì)節(jié)是換算vad_double_threshold返回的是采樣點(diǎn)下標(biāo)而feat是按幀組織的直接拿采樣點(diǎn)范圍切特征矩陣會(huì)錯(cuò)位所以先用frame_shift把段邊界轉(zhuǎn)成幀號。第二處是窗口w取參考段長度的 15%兩段長度差大時(shí)以短的那條為基準(zhǔn)更安全這個(gè)參數(shù)只影響路徑偏擺范圍不改變距離量級。extract_features是自行封裝的特征函數(shù)沒有 Audio Toolbox 時(shí)可以用 filterbank 手工實(shí)現(xiàn) MFCC核心是 mel 濾波器組加 DCT代碼大約二三十行有工具箱就直接mfcc(x, fs)把輸出轉(zhuǎn)置成 D×N 即可。跑完打印cost后順手plot(pj, pi)看一眼路徑路徑貼著對角線小幅抖動(dòng)是正常狀態(tài)出現(xiàn)長段橫走或豎走就要回去查 VAD。4. DTWVAD 聯(lián)動(dòng)避坑5 個(gè)讓結(jié)果翻車的典型問題4.1 cost 為 Inf 或 NaN窗口約束 w 把路徑切斷了現(xiàn)象dtw_custom返回costInf路徑數(shù)組為空腳本崩在下一行。 原因兩段序列的最優(yōu)路徑偏移量超過w限制DP 表里從起點(diǎn)到終點(diǎn)的每一條合法路線都被 |i-j|≤w 條件攔斷另一種情況是特征矩陣?yán)锍霈F(xiàn) NaN 幀累積計(jì)算一路傳染成 NaN。 解決先把w放大到短序列長度的 30% 跑通再逐步收緊到 10%~15%。調(diào)用后加一句防御斷言assert(~isinf(cost) ~isnan(cost), window too small or feature has NaN)。這樣翻車現(xiàn)場停在有提示的那一行而不是跑到后面某個(gè)莫名其妙的矩陣索引錯(cuò)誤排查時(shí)間能少一半。4.2 特征矩陣傳反norm 報(bào)錯(cuò)說明維度方向錯(cuò)了現(xiàn)象調(diào)用dtw_custom時(shí)size(a)變成 N×D執(zhí)行到norm(a(:,i)-b(:,j))MATLAB 直接報(bào)“Matrix dimensions must agree”或者不報(bào)錯(cuò)但距離數(shù)值大得離譜。 原因特征約定不一致。壓縮包代碼如果按“幀×維”存而你的 MFCC 輸出是“維×幀”函數(shù)第一行就會(huì)踩坑。最陰的情況是兩段長度恰好相等A 的一整列和 B 的一整列在數(shù)值上能相減距離看起來是個(gè)小數(shù)值實(shí)際語義全反。 解決函數(shù)入口加一行維度斷言assert(size(a,1) size(b,1), feature dim mismatch)。特征維必須相等幀數(shù)可以不等這是 DTW 成立的前提。所有工具函數(shù)統(tǒng)一按“維度 × 幀數(shù)”傳參誰打破約定誰報(bào)錯(cuò)不會(huì)靜默帶病運(yùn)行。4.3 VAD 把靜音尾巴切進(jìn)語音段同詞距離比異詞還大現(xiàn)象同一個(gè)詞錄兩遍DTW 距離 120不同詞距離反而 90模板匹配的判決完全反了。 原因雙門限擴(kuò)展把尾部低能量噪聲幀判成語音靜音幀數(shù)量占了整個(gè)序列的三分之一DTW 會(huì)優(yōu)先對齊在靜音上因?yàn)殪o音幀之間的特征距離幾乎為 0累積距離被稀釋真正發(fā)音部分的差異沒主導(dǎo)cost。 解決切段后對每段前后各砍兩幀約 20ms再做跨段比較。更穩(wěn)的方式是把 VAD 改成“先高門限找核心段再向兩側(cè)找到能量低于低門限的下降沿截?cái)唷倍皇峭鶅蓚?cè)擴(kuò)展。改完用 4.1 的路徑圖驗(yàn)證靜音尾巴造成的路徑會(huì)在首尾出現(xiàn)明顯水平或豎直段肉眼能識(shí)別。4.4 和 MATLAB 自帶 dtw 函數(shù)結(jié)果對不上現(xiàn)象裝了 Signal Processing Toolbox 的同事順手用[dist,ix,iy] dtw(x,y)驗(yàn)證發(fā)現(xiàn)dist數(shù)值和自定義函數(shù)差一個(gè)量級懷疑代碼寫錯(cuò)。 原因自帶dtw接受的是單變量時(shí)間序列默認(rèn)會(huì)對輸入做標(biāo)準(zhǔn)化輸出的是規(guī)整后的歸一化代價(jià)不是原始特征空間里的累積距離。自定義函數(shù)沒做標(biāo)準(zhǔn)化數(shù)值自然不同這不代表自定義是錯(cuò)的而是度量口徑不同。 解決統(tǒng)一度量。要么全部用自定義函數(shù)并自己做 zscore 預(yù)處理要么全部用自帶dtw且特征同樣預(yù)處理?；煊脙商缀瘮?shù)做橫向比較得到的所有閾值都是無效的。選定一套后就不換這是我在兩個(gè)版本對不上之后定下的死規(guī)矩。4.5 換了個(gè)音頻文件VAD 直接失效采樣率與幀參數(shù)脫鉤現(xiàn)象第一段錄音切得準(zhǔn)第二段同一套參數(shù)把整段標(biāo)成語音第三段又切不干凈。 原因函數(shù)內(nèi)部寫死了fs16000而audioread返回的實(shí)際采樣率是 8000 或 48000。幀長幀移按0.025*fs算會(huì)跟著變門限卻依賴整段統(tǒng)計(jì)量采樣率一變每幀能量和過零率的數(shù)值范圍全部錯(cuò)位。 解決所有參數(shù)從audioread的第二個(gè)輸出取[x, fs] audioread(xx.wav)然后把fs顯式傳進(jìn) VAD 和特征函數(shù)函數(shù)內(nèi)部不要重新賦值。幀長和幀移的換算統(tǒng)一寫在主腳本里變量名全局統(tǒng)一。這個(gè)習(xí)慣能消滅“換文件就失效”的玄學(xué)問題也讓代碼能直接在 16kHz 和 48kHz 數(shù)據(jù)集上復(fù)用。5. 進(jìn)階驗(yàn)證路徑自檢、距離歸一化與留一法判決5.1 先做路徑自檢再信數(shù)字批量跑之前我習(xí)慣先對任意兩條序列畫一次路徑圖plot(pj, pi, LineWidth, 1.2)加xlabel(test frame)、ylabel(ref frame)。路徑貼著對角線小幅抖動(dòng)說明時(shí)間軸伸縮自然如果出現(xiàn)長段水平或豎直邊沿基本能斷定 VAD 切多或切漏。路徑不過關(guān)后面所有距離數(shù)字都當(dāng)作無效這個(gè)檢查耗時(shí)不到一分鐘卻能避免在錯(cuò)誤數(shù)據(jù)上調(diào)一整晚閾值。5.2 距離歸一化除以規(guī)整路徑長度再比較兩個(gè)序列越長累積距離天然越大拿原始cost做判決會(huì)把長句子無腦推成“更不相似”。正確做法是除以路徑涉及的總幀數(shù)得到平均每幀代價(jià)這樣長句和短句才具備可比性。for k 1:num_templates dists(k) dtw_custom(template{k}, test_feat, w); dists(k) dists(k) / (size(template{k}, 2) size(test_feat, 2)); end [~, label] min(dists);除法的分母用兩段幀數(shù)之和而不是回溯路徑的長度原因很簡單路徑長度和兩段幀數(shù)之和接近但計(jì)算成本更低且不受w影響。這段代碼就是最近鄰模板匹配的核心判決。5.3 留一法驗(yàn)證確認(rèn)閾值而不是賭給每類詞錄 5 遍每次取其中 1 遍做測試其余 4 遍全部作為模板統(tǒng)計(jì)正確率和拒識(shí)率。如果同類距離和異類距離的分布完全重疊別急著調(diào)閾值先回去查 VAD 切段和特征提取如果分布分得開把閾值定在兩類分布交界處系統(tǒng)的拒識(shí)行為才可預(yù)期。鏈路全通之后這套 DTWVAD 組合可以直接往上接孤立詞識(shí)別或輕量級說話人確認(rèn)。我現(xiàn)在的固定順序是先路徑自檢再距離歸一化最后留一法驗(yàn)證順序不亂翻車概率就低。希望幫到你。本文還有配套的精品資源點(diǎn)擊獲取