Analysis of the mel scale features using electrography and speech signals by parameterized KNN and XGBOOST

Abstract

Language recognition is a multilevel pattern recognition task. Here, acoustic signals are analyzed and structured as a hierarchy of structural elements, words, phrases and sentences. Each level of such a hierarchy can provide time constants: possible word sequences or known pronunciation types that reduce recognition errors to a lower level. The analysis of the dynamics of voice and speech is suitable for improving the quality of human perception and the formation of human speech by a machine. It is within the capabilities of artificial intelligence. Emotion results can be widely applied in e-learning platforms, automotive systems, medicine, etc. Розпізнавання мови – це багаторівнева задача розпізнавання образів. Тут акустичні сигнали аналізуються і структуруються в ієрархію структурних елементів, слів, фраз і пропозицій. Кожен рівень такої ієрархії може передбачати деякі тимчасові константи: можливі послідовності слів або відомі види вимови, які дозволяють зменшити кількість помилок розпізнавання на більш низькому рівні. Аналіз голосу і динаміки мови доцільний для підвищення якості сприйняття людиною і формування людської мови машиною і знаходиться в межах можливостей штучного інтелекту. Результати визначення емоцій можуть широко застосовуватися в платформах електронного навчання, автомобільних бортових системах, медицині і т. д.