DirectShow技术在音频格式转换及音视频分离方面的应用.pdfVIP

第 25卷 计算机应用 Vo l. 25 2005年 12 月 　 Compu ter App lication s 　 D ec. 2005 文章编号 : 100 1 - 9081 (2005) 12Z - 0387 - 04 D irectShow技术在音频格式转换及音视频分离方面的应用 徐 　燃 ,潘接林 (中国科学院 声学研究所 ,北京 100080) ( rxu @ hccl. ioa. ac. cn) 摘 　要 : 目前语音识别系统的输入都是线性 PCM 格式的音频文件 ,然而在实际应用中 ,需要识别 各种格式音频文件以及视频流中的音频 ,在开始识别前 ,需要进行音频格式转换并从视频流中进行音 频提取 。因此 ,音频格式的转换和从视频中分离出音频信号已成为语音识别系统一种必需的预处理 过程 。文中介绍了一种将 M icro soft的 D irectShow 技术应用于 W indow s平台的多种压缩音频格式转换 为 W indow s PCM WAV 格式以及从多媒体视频中分离音频信号的方法 ,并分析了常见音频压缩编码 格式经转换后对语音识别系统性能的影响 。这对于语音识别技术在实际中的应用有着重要的意义 。 关键词 : D irectShow;语音识别 ;音频格式转换 ;音视频分离 中图分类号 : TP37　　文献标识码 : A D irectShow应用程序时 ,需要了解 COM 客户端编程的一些基 0　引言 本概念 。大多数情况下 , D irectShow 提供了满足大多数应用 随着互联网和多媒体技术的发展 ,声音文件的载体也越 需求的 COM 组件 ,用户不需要自己编写组件 。但如果应用程 ( 序需要用到特定功能的组件时 ,也可以自己编写组件功能并 来越多样化 , 如 M PEG标准中的音视频格式 M P3、M PEG2 ) ( ) 封装为 COM 在本机进行注册使用 。 等 、R eaMl edia 的流媒体格式 RA、RM 、RMVB 等 、微软的 ( ) 1. 2　D irectShow 编程框架 W indow s流媒体格式 A SF、WMA、WMV 等 以及新近出现的 O GG等格式 。这些格式以高压缩比实现对原有音视频信号 1. 2. 1　F ilter和 F ilter Grap h 的高质量编码 ,从而大大降低媒体文件的大小 ,方便存储和传 D irectShow 的组成模块是一种称之为 F ilter 的 COM 组 输 。 件 ,每一个 F ilter完成多媒体数据流上的某些功能 。例如 , 语音识别技术的发展扩大了它的应用范围 ,对以非 PCM D irectShow 的 F ilter可以具有以下功能 : ( ) ·读写文件 ; 脉冲编码调制 格式编码的语音信号也提出了识别要求 。 在进行语音识别之前 ,首先要从语音信号中提取特征 ,而 目前