求助语音识别代码的注释，要每一句都写明意思，谢谢

这个是完整的代码，我自己的账号发不了这么长，希望好心人帮忙注释啊，非常感谢！！！

(1)端点检测部分(vad)：

function [x1,x2] = vad(x)

%语音信号x幅度归一化到[-1,1]

x = double(x)

x = x / max(abs(x))

%常数设置

FrameLen = 240%帧长度为240

FrameInc = 80%帧移为80

amp1 = 10%短时能量高门限10

amp2 = 2%短时能量低门限为2

zcr1 = 10%短时过零率高门限为10

zcr2 = 5%短时过零率低门限为5

maxsilence =3%静音时间门限3*10ms= 30ms

minlen= 15%最小语音时间长度15*10ms = 150ms

status= 0%

count= 0%语音时间累计

silence = 0%静音时间累计

%计算过零率

tmp1= enframe(x(1:end-1), FrameLen, FrameInc)

tmp2= enframe(x(2:end), FrameLen, FrameInc)

signs =(tmp1.*tmp2)<0%符旁前帆号数组，用于存储相邻两个采样点符号是否相同，即是运雹否穿越0电平

diffs = (tmp1-tmp2)>0.02%度量相邻两个采样点之间距离，如果大于门限0.02(经验值)，则1，否则0

zcr = sum(signs.*diffs,2)%过零率

%计算短时能量

amp =sum(abs(enframe(filter([1 -0.9375], 1, x), FrameLen, FrameInc)), 2)

%调整能量门限

amp1 = min(amp1,max(amp)/4)

amp2 = min(amp2,max(amp)/8)

%开始端点检测

x1 = 0

x2 = 0

for n=1:length(zcr)

goto = 0

switch status

case {0,1}% 0 =静音, 1 =可能开始

if amp(n) >amp1%确信进入语音段

x1 = max(n-count-1,1)

status= 2

silence = 0

count= count + 1

elseif amp(n) >amp2 || ... %可能处于语音段

zcr(n) >zcr2

status = 1

count= count + 1

else%静音状态

status= 0

count= 0

end

case 2,% 2 =语音段

if amp(n) >amp2 || ...%保持在语音段

zcr(n) >zcr2

count = count + 1

else%语音将结束

silence = silence+1

if silence <maxsilence %静音还不够长，尚未结束

count= count + 1

elseif count <minlen%语音长度太短，认为是噪声

status= 0

silence = 0

count= 0

else%语音结束

status= 3

end

end

case 3,

break

end

end

count = count-silence/2

x2 = x1 + count -1

subplot(311)

plot(x)

axis([1 length(x) -1 1])

xlabel('语音信号')

line([x1*FrameIncx1*FrameInc ],[-1,1],'Color','red')

line([x2*FrameIncx2*FrameInc ],[-1,1],'Color','red')

subplot(312)

plot(amp)

axis([1 length(amp) 0max(amp)])

xlabel('短时能量')

line([x1,x1],[min(amp),max(amp)],'Color','red')

line([x2,x2],[min(amp),max(amp)],'Color','red')

subplot(313)

plot(zcr)

axis([1 length(zcr) 0max(zcr)])

xlabel('过零率')

line([x1,x1],[min(zcr),max(zcr)],'Color','悔胡red')

line([x2,x2],[min(zcr),max(zcr)],'Color','red')

(2)MFCC部分：

function ccc = mfcc(x)

%归一化mel滤波器组系数

bank=melbankm(24,256,8000,0,0.5,'m')%24滤波器个数，8000采样频率

bank=full(bank)

bank=bank/max(bank(:))

% DCT系数,12*24

for k=1:12

n=0:23

dctcoef(k,:)=cos((2*n+1)*k*pi/(2*24))

end

%归一化倒谱提升窗口

w = 1 + 6 * sin(pi *(1:12) ./ 12)

w = w/max(w)

%预加重滤波器

xx=double(x)

xx=filter([1-0.9375],1,xx)

%语音信号分帧，xx是输入语音信号；256是帧长；80是帧移

xx=enframe(xx,256,80)

%计算每帧的MFCC参数

for i=1:size(xx,1)

y = xx(i,:)

s = y' .* hamming(256)%加汉明窗

t = abs(fft(s))%fft变换

t = t.^2

c1=dctcoef * log(bank * t(1:129))

c2 = c1.*w'

m(i,:)=c2'

end

%差分系数

dtm = zeros(size(m))

for i=3:size(m,1)-2

dtm(i,:) = -2*m(i-2,:) - m(i-1,:) + m(i+1,:)+ 2*m(i+2,:)

end

dtm = dtm / 3

%合并mfcc参数和一阶差分mfcc参数

ccc = [m dtm]

%去除首尾两帧，因为这两帧的一阶差分参数为0

ccc =ccc(3:size(m,1)-2,:)

(3)dtw计算部分：

function dist = dtw2(test, ref)

global x y_min y_max

global t r

global D d

global m n

t = test

r = ref

n = size(t,1)

m = size(r,1)

d = zeros(m,1)

D =ones(m,1) *realmax

D(1) = 0

%如果两个模板长度相差过多，匹配失败

if (2*m-n<3) || (2*n-m<2)

dist =realmax

return

end

%计算匹配区域

xa = round((2*m-n)/3)

xb = round((2*n-m)*2/3)

if xb>xa

%xb>xa,按下面三个区域匹配

%1:xa

%xa+1:xb

%xb+1:N

for x =1:xa

y_max= 2*x

y_min= round(0.5*x)

warp

end

for x =(xa+1):xb

y_max= round(0.5*(x-n)+m)

y_min= round(0.5*x)

warp

end

for x =(xb+1):n

y_max= round(0.5*(x-n)+m)

y_min= round(2*(x-n)+m)

warp

end

elseif xa>xb

%xa>xb,按下面三个区域匹配

%0:xb

%xb+1:xa

%xa+1:N

for x =1:xb

y_max= 2*x

y_min= round(0.5*x)

warp

end

for x =(xb+1):xa

y_max= 2*x

y_min= round(2*(x-n)+m)

warp

end

for x =(xa+1):n

y_max= round(0.5*(x-n)+m)

y_min= round(2*(x-n)+m)

warp

end

elseif xa==xb

%xa=xb,按下面两个区域匹配

%0:xa

%xa+1:N

for x =1:xa

y_max= 2*x

y_min= round(0.5*x)

warp

end

for x =(xa+1):n

y_max= round(0.5*(x-n)+m)

y_min= round(2*(x-n)+m)

warp

end

end

%返回匹配分数

dist = D(m)

function warp

global x y_min y_max

global t r

global D d

global m n

d = D

for y = y_min:y_max

D1 = D(y)

if y>1

D2= D(y-1)

else

D2 =realmax

end

if y>2

D3= D(y-2)

else

D3 = realmax

end

d(y) =sum((t(x,:)-r(y,:)).^2) + min([D1,D2,D3])

end

D = d

(4)测试函数testdtw部分；

disp('正在计算参考模板的参数...')

for i=1:10

fname = sprintf('G:\\石东东\\语音\\%da.wav',i-1)

x = wavread(fname)

[x1 x2] = vad(x)

m = mfcc(x)

m = m(x1-2:x2-2,:)

ref(i).mfcc = m

end

disp('正在计算测试模板的参数...')

for i=1:10

fname = sprintf('G:\\石东东\\语音\\%db.wav',i-1)

x = wavread(fname)

[x1 x2] = vad(x)

m = mfcc(x)

m = m(x1-2:x2-2,:)

test(i).mfcc = m

end

disp('正在进行模板匹配...')

dist = zeros(10,10)

for i=1:10

for j=1:10

dist(i,j) = dtw2(test(i).mfcc, ref(j).mfcc)

end

end

disp('正在计算匹配结果...')

for i=1:10

[d,j] = min(dist(i,:))

fprintf('测试模板%d的识别结果为：%d\n', i-1, j-1)

end

MFCC：Mel频率倒谱系数的缩写。Mel频率是基于人耳听觉特性提出来的，它与Hz频率成非线性对应关系。Mel频率倒谱系数(MFCC)则是利用它们之间的这种关系，计算得到的Hz频谱特征，MFCC已经广泛地应用在语音识别领域。由于Mel频率与Hz频率之间非线性的对应关系，使得MFCC随着频率的提高，其计算精度随之下降。因此，在应用中常常只使颂圆高用低频MFCC，而丢弃中高频MFCC

mfcc提取流程/mfcc

MFCC参数的提取包括以下几个步骤：

 预滤波：CODEC前端带宽为300-3400Hz的 抗混叠滤波器 。

 A/D变换：8kHz的采样频率，12bit的线性 量化精度 。

 预加重：通过一个一阶有限激励响应高通滤波器，使信号的频谱变得平坦，不易受到有限字长效应的影响。

 分帧：根据语音的短时平稳特性，语音可以以帧为单位进行处理，实验中选取的语音帧长为32ms，帧叠为16ms。

 加窗：采用哈明窗对一帧语音加窗，以减小 吉布斯效应 的影响。

 快速傅立叶变换（Fast Fourier Transformation, FFT）：将时域信号变换成为信号的功率谱。

 三角窗滤波：用一组Mel频标上线性分布的三角窗滤波器（共24个三角窗滤波器），对信号的功率谱滤波，每一个三角窗滤波器覆盖的范围都近似于人耳的一个临界带宽，以此来模拟人耳的 掩野尺蔽效应 。

 求对数：三角窗滤波器组的输出求取对数，可以得到近似于同态变换的结果。

 离散余弦变换（Discrete Cosine Transformation, DCT）：去除各维信号之间的相关性，将信号映射到低维空间。

 谱加权：由于倒谱的低阶参数易受说话人特性、信道特性等的影响，而高阶参数的分辨能力比较低，所以需要进行谱加权，抑制其低阶和高阶参数。

腔正 倒谱均值减（Cepstrum Mean Subtraction, CMS）：CMS可以有效地减小语音输入信道对特征参数的影响。

 差分参数：大量实验表明，在语音特征中加入表征语音动态特性的差分参数，能够提高系统的识别性能。在本系统中，我们也用到了MFCC参数的一阶差分参数和 二阶差分 参数。

 短时能量：语音的短时能量也是重要的特征参数，本系统中我们采用了语音的短时归一化对数能量及其一阶差分、二阶差分参数。

1、用audioread('')函数读取电脑音频文件参数音频文件路径：

[sampledata,FS] = audioread('F:1.mp3')

sampledata保存音频信号数据FS音频采率MP3格式采率般44100；

2、判断音频数据否双郑弯声道双声道则保留声道数据弯丛知埋消用calsample.m文件函数完功能文件内容：

function sample = calsample(sampledata,FS)

temp_sample = resample(sampledata,1,FS/11025)

[m,n] = size(temp_sample)

if (n == 2)

sample = temp_sample(:,1)

else

sample = temp_sample

end

end

---