基于谐波重建的语音增强算法的研究

目前,对于一些信号处理方面的应用,包括移动通信、语音识别和助听设备等,语音增强都是一项重要的任务。针对在频域上语音信号的大部分能量集中于浊音部分的谐波结构这一特点,文中提出了一种基于谐波结构重建的语音增强方法,通过从频域上尽可能地恢复语音的谐波结构并抑制信号中的噪声成分来达到语音增强的目的。其中谐波结构提取部分采用改进的频域峰值选取算法和谐波再处理策略来准确定位频域上浊音部分的谐波结构的位置。根据语音频谱中谐波结构的分布特性,文中采用梳状滤波器来设计增益函数,并利用噪声估计方法设计频域增益函数的增益值。对于带噪语音,该方法能有效地恢复其谐波结构并抑制语音中的噪声成分。此外文中还将此方法与几种经典的语音增强方法针对两种噪声进行比较实验,实验结果表明该方法的性能整体上优于其他几种语音增强算法,尤其是在低信噪比条件下文中所提出的方法性能优势明显。     

基于双麦克风降噪技术的语音识别系统

语音控制是智能化设备的重要控制手段,而语音识别是实现语音控制的关键技术。为了设计一种可靠的、抗干扰性强的产品,提出了一种基于双麦克风降噪技术的语音识别系统。该设计运用ROHM公司的BU8332KV芯片作为语音识别前端处理的核心,利用其双麦克风降噪技术来解决语音识别中的噪声问题,结合单片机和语音识别芯片,应用于按摩椅的语音控制系统中。经过非特定人的语音识别系统的静态和噪声环境下测试,结果表明在噪声环境下,该系统有较高的识别率,适用于按摩椅的应用环境,也适合在其他有环境噪声干扰的语音识别系统中推广应用。     

用于分布式识别的语音参数的提取和性能分析

主要研究用于分布式语音识别(DSR)的语音参数的提取方法以及参数性能分析。以前所用到的语音参数大部分是LPC例谱参数，但其抗噪声性能较差。文中主要讨论了MEL倒谱参数。并在移动通信环境下，比较了两者的性能。     

小波神经网络在语音识别系统中的应用

文中设计了以"MCU+DSP"的双CPU结构为核心的语音识别系统,利用MCU实现语音识别系统的控制,DSP实现语音识别系统的预处理、特征提取和模式识别.针对语音识别系统各个阶段,分别引入小波变换和神经网络对传统的实现方法进行改进,有效地降低了系统中的噪声,减少了系统中不必要的数据量,提高了系统的语音识别性能.实验数据验证了该方法的可行性和有效性.     

噪声环境下网络社区说话人识别技术研究

语音识别技术在安静的环境中已经达到非常高的准确率,但在现实环境中由于各种不同噪声的混入使得语音识别的准确率显著下降,因而在强噪声环境下的语音识别技术的研究有重要意义.噪声环境下语音识别主要包括语音预处理、特征提取、语音增强.本文将从这几部分展开论述.     

船艇通信仿真系统中多点语音通信的实现

针对船艇通信仿真系统实现过程中对语音通信的要求，文中采用多点语音通信技术，对实时语音系统进行分析、设计和实现，设计一个多点语音实时系统，该系统可以满足多个终端进行实时语音通信的需要，并成功应用于船艇通信仿真系统中．     

基于语义的汉语普通话电子喉语音转换增强

电子喉语音存在基频单一、发声机械、辐射噪声大等多种缺陷,这严重影响了电子喉语音可懂度和自然度,特别是对汉语普通话之类的声调语言,问题尤其严重.汉语普通话电子喉语音识别存在辅音混淆的问题并且识别结果没有声调,因此本文在识别结果的基础之上设计了拼音拼写修正器和声调标注工具,再结合基于Tacotron-2的TTS实现了电子喉语音向正常语音的转换.客观评价实验结果表明,拼音拼写修正器可以提高拼音准确率,声调标注在有上下文的语义环境中具有较高准确率.主观听力测试结果表明,本文所提方法在不同语言水平上提高了汉语普通话电子喉语音的可懂度和自然度.研究结果表明,本文设计的方法可以将不带声调的电子喉语音转换为正常语音,相比于传统语音转换方法具有更高的性能.     

语音增强用于抗噪声的汉语说话人识别

大多数实际应用环境中总是存在各种各样的噪声，由于训练环境与识别环境不匹配，现有的绝大多数说话人识别系统在噪声环境中的性能都不可避免的急剧下降。为了让说话人识别系统在强噪声环境中，有较好的识别效果．研究一个将语音增强器和说话人识别系统级连起来的系统，该系统中将语音增强作为前端处理来提高输入的信噪比。实验证明，该系统具有很好的抗噪声性能。     

噪声下差分复合子带语音识别方法

本文根据子带特征反映语音信号局部特性和全带特征反映语音信号整体特性的事实，提出了 一种差分复合子带语音识别新方法。先用频谱差分减少噪声的干扰，再将多子带特征识别概率与全带特征识别概率相结合进行综合判决，以得到最终识别结果。将新方法应用于TIMIT数据包0－9十个英文数字和E－Set在NoiseX92的白噪声和F16战机噪声下的识别实验。实验结果表明新方法比传统方法识别性能有很大提高。     

语音识别与智能机器人设计

语音识别技术在智能设计方面的应用广泛。AP7003型IC是一款性能优良和价格低廉的语音识别电路，文中介绍它的基本电路及其在机器人设计中的一些应用以及语音识别系统的基本原理．为智能机器人的设计提供了一种思路。     

基于云平台的自然语言识别系统的设计

针对一些嵌入式设备在特定的工作场景下无法实现语音识别的问题,提出了一种适用于嵌入式平台语音识别的解决方案。采用百度语音云平台提供的语音识别服务,对自然语言进行语音识别,通过搭建交叉编译环境将录音数据进行压缩编码上传到服务器,交叉编译后下载到嵌入式设备中来完成整个识别过程。通过大量实验数据统计分析,该方案的语音识别准确率可达93%。结果表明:该语音识别方案在正常语速输入下,能够满足工作使用要求,具有较高的准确性和鲁棒性。     

实时语音识别系统在家庭监护机器人的实现

文中阐述的是家庭监护机器人项目中语音识别系统设计的部分,通过DSP、DMA和ARM Cortex-A8的并行处理,利用双缓冲的方法,在嵌入式Linux上实现了基于ATK的实时语音识别系统。文中对该系统的软硬件进行了设计。在硬件方面,给出语音识别系统的硬件组成原理,并提供了关键部分原理图;在软件方面,提出实时语音识别的方法,给出应用程序实现流程。最后通过真人说话来进行语音识别实验,实时语音识别率达到了94.67%以上,实验验证了系统的软件硬件设计的正确性。     

鲁棒性语音识别技术研究综述

鲁棒性语音识别是为了解决噪声环境和混响环境等外界因素所引起的语音识别系统训练和识别不匹配的情况,针对在噪声和混响条件下进行鲁棒性语音识别的问题,对现有的鲁棒性语音识别研究进行了总结,阐述了语音识别的主要流程和整体框架;从特征提取和声学建模两个方面对语音增强技术、语音分离技术进行介绍;分析鲁棒性语音识别技术主要难点和实现过程。最后对鲁棒性语音识别技术进行总结和展望。     

一种新的语音和噪声活动检测算法及其在手机双麦克风消噪系统中的应用

针对现有双通道语音活动检测(Voice Activity Detection, VAD)算法依赖于固定阈值难以在多种噪声环境下准确地检测语音和噪声,应用于手机消噪系统会造成语音失真或噪声消除不好等问题,该文提出一种基于神经网络的VAD算法,该算法以分频带能量差和归一化互通道相关为特征,采用神经网络对语音和噪声进行分类。在此基础上,将神经网络VAD与基于互通道信号功率比值的VAD相结合,提出一种新的适用于手机消噪系统的语音和噪声活动检测算法分别对语音和噪声进行检测,并以此进行噪声抑制处理,减少了消噪系统因VAD误判而造成的性能下降。实验结果表明,该处理方法在抑制背景噪声和减少语音失真等方面优于现有的消噪算法,对于方向性语音干扰也有很好的抑制效果。     

基于带有注意力机制的深度循环神经网络的语音情感识别

自从注意力机制在自然语言处理领域取得了巨大成功,其被引入了语音情感识别任务中,使各种语音情感识别模型的性能获得了提高。为了能在深度循环神经网络中更加高效地利用注意力机制,对传统的注意力机制进行了推广,提出了基于分段的注意力机制,并将其应用于深度循环神经网络中。在CASIA语音情感数据集上的实验结果证明,这一方法能够有效提高模型性能,并大幅提高模型训练速度。     

基于神经网络的语音识别与自动检验研究

语音识别系统在语音识别中自我判定识别结果，并从错误中自动获取经验改正错误实现知识的自我完善具有重要意义。采用人工神经网络可以有效学习与更新知识，人工神经网络与语音识别结果自动检验方法结合实现一种新的有效学习与更新系统。在该系统中采用基于LEA判别法的梯度牛顿有效结合神经网络快速学习方法。该系统实现在语音识别实践中能够自学习并提高识别率，具有一定的智能。文中给出系统原理图和实验结果。     

语音信号增强系统设计与仿真

在信号处理中语音增强是一个重要分支,针对语音信号不得不在噪声和干扰环境下通信的现状,采用自适应滤波算法设计了语音信号噪声和干扰抑制系统,首先对LMS算法进行了推导,并且对噪声和干扰环境下的自适应滤波器性能进行了仿真分析,仿真结果表明:该设计抑制干扰和噪声的性能较好,对语音信号的增强明显,为该系统在硬件上实现提供了理论基础。     

基于信号递归度分析的语音端点检测方法

针对低信噪比、非平稳噪声环境下的语音端点检测,提出了一种基于语音/噪声的信源系统动力学特性差异,通过分析信号递归度变化,设定双门限判定语音端点的方法。和传统的能量法、倒谱距离测度法比较,准确率较高。为语音特征提取和识别研究提供了新的途径。     

电声技术在人工智能语音识别中的应用与挑战

文章主要探讨电声技术在人工智能语音识别中的应用和挑战,并给出相关优化策略。麦克风、扬声器、音频处理以及声学模型等电声技术对提升语音识别系统的性能具有重要意义,但噪声干扰、硬件限制、识别准确性及实时处理能力仍是技术发展的难题。通过精细调整声学模型、对硬件性能进行升级、使用先进的噪声抑制算法以及加速系统处理等措施,能够有效提高人工智能语音识别的性能。     

基于局域网上的分布式语音识别系统

近年来随着网络和语音处理技术的快速发展。分布式语音识别（DSR）成为语音处理的一个研究方向，与传统集中语音识别不同的是：它基于Client/Server模型，在Client端进行参数的提取，然后通过信道传送到Server端进行识别，把结果送回到Client端。文中介绍基于LAN所设计的DSR系统。