Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Office Monitoring and Surveillance System Kapitel lesen Erstes Kapitel lesen

2021 | OriginalPaper | Buchkapitel

Use of Median Timbre Features for Speaker Identification of Whispering Sound

verfasst von : Vijay M. Sardar, Manisha L. Jadhav, Saurabh H. Deshmukh

Erschienen in: Techno-Societal 2020

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Identifying speaker from the whispered voice is difficult task contrasted to neutral as voiced phonations are absent in the whisper. The accomplishment of the speaker identification system for the most part relies on the selection of proper audio features reasonable for the type of database and type of application. This paper examines the various audio features available and emphasizes on the use of selected timbrel features which are sorted by Hybrid Selection Algorithm. The limited number of timbrel features namely MFCC, Roll-off, Brightness, Roughness, and irregularity which are found outperforming when tested on CHAIN database. Likewise, the possibility of using the MEDIAN based features is investigated by analysis. The use of Median timbrel features reported an enhancement in speaker identification accuracy by 2.4% compared to timbrel features only in whisper train-whisper test scenario.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Bandwidth Improvement of Multilayer Microstrip Patch Antenna by Using Capacitive Feed Technique for Broadband Applications
Nächstes Kapitel Intelligent System for Engine Temperature Monitoring and Airbag Deployment in Cars Using
Literatur
1.
Hourri S, Kharroubi J (2020) A deep learning approach for speaker recognition. Int J Speech Technol Springer 23:123–131
2.
Jahangir R et al (2020) Text-independent speaker identification through feature fusion and deep neural network. IEEE Access 8:32187–32202CrossRef
3.
Singh A, Joshi AM (2020) Speaker identification through natural and whisper speech signal. In: Janyani V, Singh G, Tiwari M, d'Alessandro A (eds) Optical and wireless technologies. Lecture Notes in Electrical Engineering, vol 546. Springer, Singapore
4.
Fan X, Godin KW, Hansen JHL (2011) Acoustic analysis of whispered speech for phoneme and speaker dependency. In: Proceedings of the annual conference of the international speech communication association, INTERSPEECH, pp 181–184
5.
Bhattacharjee M, Prasanna SRM, Guha P (2018) Time-frequency audio features for speech-music classification. Project: Broadcast Video Analytics
6.
Davis SB, Mermelstein P (1980) Comparison of parametric representations for monosyllabic word recognition in continuously spoken sentences. IEEE Trans Acoust Speech Signal Process ASSP s28:357–366
7.
Hermansky H, Malaya N (1998) Spectral basis functions from discriminant analysis. In: International conference on spoken language processing
8.
Toonen Dekkers RTJ, Aarts RM (1995) On a very low-cost speech-music discriminator. Technical Report 124/95, Nat. Lab. Technical Note
9.
Dobrowohl FA, Milne AJ, Dean RT (2019) Timbre preferences in the context of mixing music. Appl Sci (2076–3417) 9(8):1695–1695
10.
Peeters G (2004) A large set of audio features for sound description (similarity and classification) in the CUIDADO project
11.
Park TH (2004) Towards automatic musical instrument timbre recognition, PhD thesis, the department of music, Princeton University
12.
Albert-Ludwigs-Universität Freiburg (2007) A Matlab Toolbox for Music Information. In: Proceedings of the 31st annual conference of the Gesellschaft für Klassifikation e.V., March 7–9, pp 261–268
13.
Lartillot O (2011) MIR toolbox 1.3.3 (Matlab Central Version)—User’s Manual. Finnish centre of excellence in interdisciplinary music research, University of Jyväskylä, Finland
14.
Sardar VM, Shirbahadurkar SD (2019) Timbre features for speaker identification of whispering speech: selection of optimal audio descriptors. Int J Comput Appl (Taylor Francis, U.K.). ISSN 1206–212X
15.
Cummins F, Grimaldi M, Leonard T, Simko J (2006) The chains speech corpus: characterizing individual speakers. School of Computer Science and Informatics University College, Dublin
16.
Deshmukh S, Bhirud SG (2012) A hybrid selection method of audio descriptors for singer identification in North Indian Classical Music. In: Fifth international conference on emerging trends in engineering and technology, pp 224–227
17.
Liu H, Jiang H, Zheng R (2016) Computational and mathematical methods in MedicinePB—Hindawi Publishing Corporation
18.
Shah JK, Smolenski BY, Yantorno RE, Iyer AN (2015) Sequential k-nearest neighbor pattern recognition for usable speech classification. Signal Processing Conference, IEEE Xplorer
19.
Sardar VM, Shirbahadurkar SD (2018) Speaker identification of whispering sound: effectiveness of timbral audio descriptors. In: International conference on power, communications and sustainable energy system, Chennai
20.
Wang J-C, Chin Y-H, Hsieh W-C, Lin C-H, Chen Y-R, Siahaan E (2015) Speaker identification with whispered speech for the access control system. IEEE Trans Autom Sci Eng 12:1191–1199CrossRef
21.
Metadaten
Titel
Use of Median Timbre Features for Speaker Identification of Whispering Sound
verfasst von
Vijay M. Sardar
Manisha L. Jadhav
Saurabh H. Deshmukh
Copyright-Jahr
2021
Buch
Techno-Societal 2020

Print ISBN: 978-3-030-69920-8

Electronic ISBN: 978-3-030-69921-5

Copyright-Jahr: 2021

DOI
https://doi.org/10.1007/978-3-030-69921-5_4

Premium Partner

    Marktübersichten

    Die im Laufe eines Jahres in der „adhäsion“ veröffentlichten Marktübersichten helfen Anwendern verschiedenster Branchen, sich einen gezielten Überblick über Lieferantenangebote zu verschaffen. 

    Zur Marktübersicht
    Bildnachweise