Neural network 用于识别0到20个语音数字的深度神经网络

我想实现一个神经网络，能够识别0到20的英语口语数字加上两三个其他单音节单词。然后我将使用AI来控制一个简单的游戏。我在征求你的意见。你认为有可能吗

是否有可能且相对容易使其工作；一个人，很多人都有接近母语的口音，很多人都有很多不同的口音

我应该从语音中提取哪些数据来为网络输入；长度、音量、随时间变化的组件频率，还是其他？我计划分别识别每个单词

我应该首先检查哪些网络架构。这里有人以前做过类似的事情吗

您在这里还看到了哪些其他挑战

如果有任何进展，我会通知您：）

---

谢谢

我相信建立一个神经网络来完成更复杂的事情是相当容易的。我建议不要使用音量或频率进行测量，因为这样你将训练AI识别特定于你的测试数据集的东西，音量将取决于许多因素，比如一个人的声音有多大，他们的麦克风有多好或坏。频率将取决于他们是男性还是女性。成人或儿童。我建议关注长度的平均值，因为无论你怎么说，无论你的声音有多大，说20总是需要更长的时间，然后说一个，人工智能将以此为基础学习

编辑： 我还想说，不要对体积取样，而是对振幅进行测试。试着找出音频中的峰值音量，因为这将区分某些元音。“一”在工作开始时有一个峰值，在“O”处有一个峰值，在“ee”处有三个峰值，因为“th”的音高高于“ee”

---

所以在神经网络中，这两个因子可以算作两个独立的神经元。1表示长度，1表示样本中最高振幅的位置。

欢迎访问stackoverflow.com。请花些时间阅读，特别是命名和。也请和。最后请阅读。太广泛了，神经网络确实可以用于语音识别，但还有许多其他问题需要解决，如特征提取、识别过度检测等。。