Real-time Speech and Music Classification by Large Audio Feature Space Extraction

این کتاب در مورد یک پایان نامه برجسته گزارش می دهد که به طور قابل توجهی پیشرفته ترین فن آوری را در تجزیه و تحلیل و طبقه بندی خودکار گفتار و موسیقی ارتقا داده است. چندین مجموعه پارامترهای آکوستیک استاندارد را تعریف می‌کند و پیاده‌سازی آن‌ها را در چارچوب تحلیل صوتی جدید، منبع باز، به نام openSMILE، که در سراسر جهان پذیرفته شده و به شدت مورد استفاده قرار گرفته است، توصیف می‌کند. این کتاب توضیحات گسترده‌ای از روش‌های کلیدی برای طبقه‌بندی خودکار سیگنال‌های گفتار و موسیقی در شرایط واقعی و گزارش‌هایی در مورد ارزیابی چارچوب توسعه‌یافته و مجموعه‌های پارامتر صوتی انتخاب شده ارائه می‌دهد. این نه تنها به عنوان یک راهنما برای کاربران openSMILE در نظر گرفته شده است، بلکه در درجه اول به عنوان یک راهنما و منبع الهام برای دانش آموزان و دانشمندان درگیر در طراحی روش های تجزیه و تحلیل گفتار و موسیقی است که می تواند به خوبی شرایط زندگی واقعی را مدیریت کند.

This book reports on an outstanding thesis that has significantly advanced the state-of-the-art in the automated analysis and classification of speech and music. It defines several standard acoustic parameter sets and describes their implementation in a novel, open-source, audio analysis framework called openSMILE, which has been accepted and intensively used worldwide. The book offers extensive descriptions of key methods for the automatic classification of speech and music signals in real-life conditions and reports on the evaluation of the framework developed and the acoustic parameter sets that were selected. It is not only intended as a manual for openSMILE users, but also and primarily as a guide and source of inspiration for students and scientists involved in the design of speech and music analysis methods that can robustly handle real-life conditions.