维吾尔语的重音检测

根据维吾尔语词重音的位置规律进行音节级标注,提取不同的特征参数（能量、基频等）,对各个特征参数作单流、分流及特征级融合识别实验,对比分析各特征参数对重音检测识别率的影响。对融合后的高维单流特征采用主成分分析作降维、去冗余处理,并作识别实验。参照识别精确率结合语音语言学知识对实验结果进行分析。     

Windows Mobile智能手机产品管理系统的研究与实现

从实际出发分析了基于Windows Mobile平台的维吾尔文产品管理系统,着重研究Windows Mobile的应用开发,而且研究了维吾尔文的书写特点、手机输入法设计中的难点、以及不等宽,设计实现了具有不同编辑方向的维、汉、英、多语种智能手机的混合输入和屏幕显示。在系统的设计和实现过程中引入Windows Mobile技术和SQL Server Mobile数据库技术来解决相关数据的存储和处理问题。在基于.NET compact Framework的智能设备开发框架下,使用Pocket outlook对象模型,实现对客户的便捷与通讯功能。     

HMM与神经网络相融合的低资源语音合成方法

为了提高语音合成自然度和稳定性,提出HMM与深度神经网络相融合的,以维吾尔语作为实验语言的语音合成方法.基于深度学习的端到端语音合成方法存在生成速度慢、稳定性及可控性不够好,但是合成语音自然度高,而基于HMM的方法系统稳定性好,合成语音自然度不如端到端的方法.因此,系统前端部分利用HMM(马尔科夫模型)获取维吾尔语固有的语言特征,后端合成部分利用深度神经网络框架建立自回归模型.前端文本分析用HMM模型获取语言特征,后端合成用不同的神经网路模型,并进行了对比试验.最后对于实验结果进行了评测.实验结果验证了基于HMM+BiLSTM的语音合成方法的效果最好.     

基于N元模型的维吾尔文文本分类技术研究

考虑到维吾尔文词干提取、词性标注等工具不够成熟和相关的开源资源很少的实际情况,提出了基于N元模型的维吾尔文文本分类技术.其特点是不需要任何自然语言处理工具,拼写错误率对分类结果的影响很低.在训练阶段分别提取字符级别的三元和四元模型构造不同规模的N元词典,在分类测试阶段分别用曼哈顿距离计算和骰子测量对文本进行分类.实验结果表明,当四元模型词典的规模为500时,使用骰子测量分类时性能最佳,平准准确率达到86.56％.     

基于垃圾模型的维吾尔语关键词识别

关键词识别是语音识别中的一个重要研究方向,而维吾尔语的关键词识别研究刚刚开始。结合维吾尔语音节特点和考虑影响关键词识别因素,提出在HMM模型的基础上对非关键词建立垃圾模型的方法,来提高关键词的识别效率。     

浅谈连续语音识别中的关键技术

连续语音识别系统的出现,更进一步的推动了连续语音识别的研究及应用,但识别技术的成熟也同时推动了更高层次的语音理解技术的研究。文章分别对连续语音识别中可能出现的关联词技术、关键词技术、顽健性技术、自适应性技术及搜索策略给予了介绍。     

维吾尔语词首音节元音声学分析

该文利用“维吾尔语语音声学参数数据库”,统计分析和归纳了维吾尔语词首音节元音的共振峰模式及其分布格局。声学元音图有多种画法,该文采用JOOS型声学元音图。这种元音图的特点是以F1为纵坐标,以F2为横坐标。这样绘制成的声学元音图与元音舌位图有很好的对应性。维语标准音词首音节中有[y, i, e, O, u, o, ;, A]等8个元音。舌位前后的分布特点是[u, o, A]为后元音,[y, i, e, O, ;]为前元音;开口度(舌位高低)分布特点是[y, i, u]为高元音,[e, O, o]为次高元音,[;]为次低元音, [A]为低元音.     

基于HTK的维吾尔语连续语音声学建模

维吾尔语属于阿勒泰语系突厥语族,是黏着性语言。本文根据维吾尔语的特点,分析设计了维吾尔语语音识别系统的总体结构,讨论了维吾尔语最佳识别基元的选择方法,提出建立基于决策树聚类的上下文相关模型,并采用混合高斯分布(GMD)拟合观测概率分布,优化维吾尔语连续语音中HMM模型系统以提高识别性能。最后给出实验对比,得出结论,为今后维吾尔语连续语音识别研究提供依据。     

基于DDBHMM的维吾尔语音声学识别

在维吾尔语连续语音识别试验的声学层建模基础上,引用DDBHMM模型将上下文相关的三音子作为基本识别单元,并提出一种状态绑定的思想,对状态进行优化。为得到更充分的训练模型,提高识别效率,对语料库进行扩充,在多组对比试验的基础上,分析扩充前后对声学层识别速度、准确率等各个方面的影响。