ویژگی‌های صوتی، دسته‌بندی و معیارها

sr = 8000                                   # نرخ دمو در کد
mag = stft_mag(signal, frame_len, hop)      # هان، سپس DFT برای هر فریم
fb = mel_filterbank(n_mels, frame_len, sr)  # n_mels x (n_fft // 2 + 1)
mels = apply_filterbank(mag, fb)            # مجموع وزندار برای هر بین مِل
lm = log_transform(mels)                    # log(max(v, eps))
feats = [dct_ii(f, n_mfcc) for f in lm]     # 13 ضریب به ازای هر فریم
emb = summarize(feats)                      # میانگین + واریانس، 26 بُعد
pred = knn(emb, X_train, y_train, k=3)      # k تای برتر بر اساس کسینوسی، رأی‌گیری اکثریت

from jiwer import wer, Compose, ToLowerCase, RemovePunctuation, Strip
transform = Compose([ToLowerCase(), RemovePunctuation(), Strip()])
score = wer(truth="Please turn on the lights.", hypothesis="please turn on the light",
            truth_transform=transform, hypothesis_transform=transform)
sv = EncoderClassifier.from_hparams("speechbrain/spkrec-ecapa-voxceleb")
secs = torch.nn.functional.cosine_similarity(emb_ref, emb_clone, dim=-1).item()  # معیار SECS
fad = FrechetAudioDistance()
score = fad.get_fad_score("generated_folder/", "reference_folder/")              # کمتر باشد بهتر است