Алгоритм сравнения спектров (звуков)

[chertovich]

Здравствуйте.
Пишу диплом: программу для голосового управления компьютером. Программа сравнивает полученные с микрофона данные с записанными. Если звуковые фрагменты совпадают на определенное количество процентов, то выполняется какое-то предустановленное действие на данную команду.
Для сравнения звуковых фрагментов, я преобразовываю звук в спектральный вид, т.е. выполняю БПФ (Быстрое преобразование Фурье). Преобразование выполняется окнами (блоками), это видно на рисунке, окна расположенны в столбик, их 7 штук (для команды "Открыть").

Здесь изображены спектры двух произнесений команды "Открыть", которую я произнес 2 раза (под номером 1 и 2) которые и необходимо сравнить.

Пробываю их сравнивать, путем определения их разницы. Результаты не очень утишительные.

Может у Вас есть идеи, как их можно сравнить, учитывая то, что продолжительность команды, а также спекральное содержимое может отличаться при каждом новом произнесении команды. Буду рад любым идеям.

Вот звуковая команда "Пуск":

[s-andriano]

1. Почему именно 7?
2. Представляется, что дискретность по спектру выбрана избыточной, а по времени - недостаточной. По идее спектр нужно приводить к достаточно широким интервалам (заведомо не уже 1/3 октавы), но длина элементарного участка не должна превышать одну фонему, что, если мне не изменяет память, по прядку соответствует 10-30 мс.

[chertovich]

Данный фрагмент длинной примерно от 500 до 700 мс. И получается, одно окно примерно равно 100 мс. Пробывал меньше, результат получается хуже... Получится больше окон, а поскольку, я их сравниваю один к одному, то результаты будут плачебными. Но все равно спасибо за помощь.

[s-andriano]

Обычно, когда мы хотим получить результат, то делать следует так, как правильно, а не так, как проще.
Если одна фонема существенно короче 100 мс, значит, обработка фрагментов длиной 100 мс принципиально неспособна привести к решению поставленной задачи.
Т.е. ориентироваться нужно, исходя из конкретных характеристик предметной области.
Кроме того, считать, думаю, нужно не точное совпадение, а коэффициент корреляции, и для целей распознавания задавать некоторое пороговое значение.
Ну и внутри "окна" должно быть не более 10-15 значений.