Una respuesta bastante ingenua.
////////////////
Datos crudos
/////////////////
– Transformación de dominio (Wavelets / Transformada de Fourier a corto plazo / Transformación KL / etc.) >>
– Filtrado espacial (micrófonos múltiples / enfoque de fuente) >>
– Filtrado temporal (eliminación de ruido temporal) >>
– Segmentación / identificación del habla (tiene su señal limpia “de alguna manera” para funcionar)
////////////////
Entrada de voz
////////////////
– Transformación de dominio (de nuevo si todavía necesita algo diferente de antes)
– Reconocimiento / clasificación de patrones (pruebas de hipótesis o cualquier cosa que se te ocurra, incluso cosas extrañas extraídas de ML)
- ¿Cuáles son los modelos actuales de análisis de sentimiento de arte independientemente de la efectividad?
- ¿Qué es la discretización de características?
- ¿Por qué es tan difícil automatizar la inferencia variacional?
- Cómo elegir el conjunto de validación para poder representar mejor el conjunto de prueba
- ¿En qué tipos de problemas de regresión son comparables las redes neuronales, las máquinas de vectores de soporte, los bosques aleatorios y las redes neuronales profundas? ¿La superioridad de los métodos depende del tamaño del entrenamiento?
Eso es básicamente algunos de los bloques de construcción importantes, por supuesto, hay más y algunos de ellos están mucho más involucrados (muestreo, reconstrucción, enmarcado, etc.).
Dependiendo de dónde comience, tendrá más bloques. No es lo mismo comenzar con una señal de voz “limpia” y luego hacer el reconocimiento de voz (identificación de palabras / oraciones / fonemas) que comenzar con solo una señal aleatoria de un grupo de micrófonos y luego decidir si hay algo parecido para hablar, límpielo de la mejor manera posible y luego proceselo.
¡Espero eso ayude!
