语音识别

百度语音识别接口：http://ai.baidu.com/docs#/ASR-API/top

HTML5录音接口：

• https://www.html5rocks.com/en/tutorials/getusermedia/intro/
• https://developers.google.com/web/updates/2016/01/mediarecorder
• https://developers.google.com/web/fundamentals/media/recording-audio/
• https://juejin.im/post/5b8bf7e3e51d4538c210c6b0
• RecordRTC - https://github.com/muaz-khan/RecordRTC

MediaRecorder API can only be used from secure origins only: HTTPS or localhost.

音高检测demo：https://webaudiodemos.appspot.com/pitchdetect/index.html

语音记事：https://voice-memos.appspot.com/

原理：https://www.zhihu.com/question/20398418

• Spectrum：频谱
• Pitch：音高（基频音高）
• Fundamental Frequency：基频（男： 62 ~ 523 Hz，女：110 ~ 1000 Hz）
• Intensity：音强
• Formant：共振峰
• Pauses：脉冲
• 宽带语图（元音、辅音）：男（0－5000Hz），女（0－5500Hz）
• 窄带语图（声调、语调）：男（0－1200Hz），女（0－2000Hz）

一些朴素的想法：
1. 从波形中提取一个拼音的音频，规范化采样率、音量
2. 把拼音的波形切成帧（比如：25ms一帧、15ms交叠、帧移10ms）
3. 每一帧中提取以下参数，每一参数有一权重系数
3.1 Pitch范围
3.2 Intensity范围
3.3 F1（乘以Pitch系数后）范围
3.4 F2（乘以Pitch系数后）范围
3.5 F3（乘以Pitch系数后）范围
3.6 F4（乘以Pitch系数后）范围
4. 把帧的数量规范化为一个常量（比如100帧），得出规范化后的一个参数矩阵表
5. 比较两个参数矩阵表的相似度，得出音频最可能是哪个拼音