语音端点检测在实时语音截取中的应用

语音端点检测在语音识别系统中占有重要地位。针对在噪声多变的环境中实时截取完整语音信号存在困难,文章提出一种实时语音端点检测方法。该方法首先提取每帧信号的短时平均过零率与Mel频率倒谱系数;然后利用前N帧背景噪声的Mel频率倒谱系数对当前帧进行归一化,并以该特征矢量的L2范数作为另一特征;最后根据多特征分析对有效语音信号进行截取。实验结果表明,该方法在多变的噪声环境中,截取完整语音信号具有较高准确率。     

基于MFCC倒谱距离的语音端点检测方法

在一个语音信号处理系统中,端点检测是对语音预处理阶段最重要的环节,好的检测效果可提高后续语音处理的效率。文章结合语音信号特性,采用根据人耳听觉机理Mel频率倒谱系数(Mel Frequency Coefficient,MFCC)对带噪语音进行端点检测,通过仿真实验的方式证明其可行性。     

基于多特征的语音端点检测技术研究

针对传统的端点检测技术,如基于能量、过零率等方法,在低信噪比噪声环境下检测性能急剧下降的问题,根据汉语语音发音的特点,提出了一种新的检测方法,该方法结合了Mel频率倒谱系数（MFCC）和能量、过零率、频带方差等多个语音特征。基于多特征融合的模糊判决二次搜索端点检测方法,能有效减少清音、拖尾音的截断,提高端点检测的精度,并对噪声环境具有一定的自适应性。实验结果表明,即使在低信噪比条件下,该方法仍具有较高的准确性。     

基于智能卡的说话人确认系统及其应用

在基于智能卡的说话人确认系统中,实现了一种新的端点检测方法:能频值端点检测方法,其取得了较好的效果;在鲁棒性方面,研究了Mel倒谱系数各分量在说话人识别中的贡献,以及在参数级上Mel倒谱系数的差分系数及倒谱均值相减法对说话人识别的贡献;最后,讨论了基于智能卡的生物特征识别技术的应用途径。     

基于LPC美尔倒谱特征的带噪语音端点检测

复杂的噪声环境是语音识别系统在实际应用中性能下降的原因之一,识别预处理中的带噪端点检测作为关键技术,其性能的优劣某种程度上决定了识别率的高低。笔者提出了基于LPC美尔倒谱特征的带噪端点检测方法,对语音信号分高低频段分别提取IPC美尔倒谱特征分析,根据Mel倒谱距离判决,采用自适应噪声估计,实验结果表明,该方法计算效率较高,低信噪比下有较好的检测性能。     

基于Fisher线性判别分析的语音信号端点检测方法

传统的语音端点检测方法对辅音,特别是受到噪声污染的清音部分与背景噪声之间分离能力不足。针对上述问题,该文提出一种基于Fisher线性判别分析的梅尔频率倒谱系数(F-MFCC)端点检测方法。将清音信号和背景噪声视为两类分类问题,采用Fisher准则求解具有判别信息的最佳投影方向,使得投影后的特征参数具有最小类内散度和最大类间散度,从而增大清音与背景噪声的可分离性。在不同语音库上的实验结果表明,F-MFCC能够在不同信噪比和背景噪声条件下提高语音端点检测的准确率。     

基于Mel-TEO的带噪语音端点检测算法

针对短时TEO能量算法抗噪性差的缺点,提出了一种强噪声下的端点检测新算法.该算法在短时TEO能量端点检测的基础上,增加Mel倒谱距离判断环节,采用先粗判后精判的互补性两级判决机制.首先利用强抗噪性Mel倒谱距离进行端点粗判,然后再利用体现语音信号时域特征与语音共振峰特性的短时TEO能量进行端点精判.实验表明,在信噪比相对较低的环境下,该改进算法与传统的双门限法和短时TEO能量相比,在没有增加运算复杂度的同时提高了检测系统的准确度.     

基于DTW的轮椅命令字识别系统研究

采用一种双门限的端点检测算法精确地检测出了语音端点;对线性预测倒谱系数LPCC和Mel频率倒谱系数MFCC的性能进行了对比分析;以MFCC为特征参数,实现了基于动态时间归整算法DTW的轮椅命令字识别系统,识别效果达到90%以上.DTW的高效算法降低了算法的执行时间,优化了系统性能.     

基于梅尔频率倒谱系数的音频分类研究

梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)是一种符合人耳听觉特征,并与频率呈非线性对应关系的频谱特征,广泛应用在语音识别、音频特征分析等方面.对于目前广泛使用的通过单一特征进行音频分类的方法,存在分类准确度低、处理速度慢等方面的不足,提出了基于梅尔频率倒谱的音频分...     

基于不变集多小波的语音特征参数提取

在研究不变集多小波理论的基础上,借鉴Mel频率倒谱系数（MFCC）的提取算法,用多小波交换代替傅里叶变换及Mel滤波．构造了一种新的语音特征参数MWBC。汉语数字识别实验结果表明,提出的新语音特征参数MWBC的识别性能和抗噪性能均优于MFCC,为提高语音识别系统的噪声鲁棒性提供了一条新途径。