speech-recognition - 为什么谷歌的语音命令数据集的采样率为 16kHz

Question

谷歌发布了语音命令数据集。我看到所有音频文件的采样率为 16kHz。这意味着 8kHz 及以上的任何信息都是不可靠的（人类听觉范围为 20Hz 到 20kHz）。这对于语音识别非常关键，因为（不是大多数但）很多重要数据都在 8khz 到 20khz 的范围内，丢失这意味着您的语音识别的准确性和可靠性会降低。

为什么 google 选择了 16kHz？我错过了什么吗？

谢谢你。

标签： speech-recognitionspeech-to-texttensorflow-datasets

Answer 1

这对于语音识别非常关键，因为（不是大多数但）很多重要数据都在 8khz 到 20khz 的范围内

实际上并非如此，许多实验表明使用更高的采样率几乎没有任何改进。这就是为什么每个人都使用 16khz。