基于听觉模型的语音识别研究

本文提出了一个基于心理声学理论和实验的听觉感知模型,它模拟了人对声音响度的听觉感知特征。该模型可在数字信号处理器(DSP)或计算机上实现,模型的输出参数已被用于语音识别。实验表明,用该模型参数表示语音信号可在环境有噪声的情况下保持较高的识别率。     

语音识别技术的未来

“发展中的语音识别技术正推动着透明化计算,使人与计算机之间的互动更加容易。”IBM语音系统部门的Anne-Marie Derouault 如是说。 进入新世纪以来,IT世界在经历着一场向人机互动技术的大转移,这在很大一部分上借助于语音识别技术。语音识别技术的出现不但开始改变我们与PC的交流方式,还会进一步影响我们从事商业活动和获取信息的模式。语音识别技术在过去     

语音识别的研究

介绍了语音识别的发展历史和国内外语音识别研究的现状，讨论了语音识别的几个基本问题和影响语音识别的因素，并分析了目前常用的语音识别的各种方法，指出了其优缺点，最后讨论了评价语音识别系统时应考虑的几个技术指标和将来语音处理的发展方向等。     

语音识别技术展望

<正> 自从ENIAC问世之后,立即有人想到要让计算机听懂人说话,并开始了这方面的研究工作。所以说,语音识别的研究历史与计算机的发展历史一样长。计算机的发展已历经了从电子管到晶体管以至超大规模集成电路的好几代,单单微机的CPU就从早期的4004发展到今天的奔腾三代,涌入了普通家庭,已与我们的数字化生活密不可分。但是,与计算机同步发展的语音识别技术似乎并不遵循摩尔规律,它的产品也迟迟未能进入市场。时至今日,语音技术产品的市场日益升温,语音识别技术已经成为计算机进一步在亿万百姓中普及的关键技术,也必将成为信息产业的标志性技术和未来计算机的重要特征。     

连续汉语语音识别技术

计算机能听懂人的语言，这意味着人工智能时代已向我们走来c北京中自汉王科技公司在IBM支持下，基于ViaVoice自行开发的一种最新语音识别软件与手写输入系统——汉王听写系统，它把IBM研究开发的语音识别核心技术与汉三优秀的手写汉字识别输入系统完美的集成在一起．形成了一个优势互补的非键盘输入系统。成为一种简单方便，人人会用的文字录入工具。这不仅提高了汉字输入速度，而且使讲话人更自然、更流畅地表达自己的意愿。汉王听写系统，具有汉语语音听写输入、语音命令、编辑、打印功能，基于中文自身的特点，同音字多，有声调、词…     

生物特征识别技术之语音识别

语音识别技术的基本任务是将人说话发出的声波信号转换成为一种能够表达口语消息的符号序列。关于语音识别的研究从二十世纪50年代开始到现在的半个多世纪里一直非常活跃。本文将从语音识别的方法、技术原理和发展趋势等多方面进行阐述,便于读者全面了解语音识别现阶段的技术成果和未来走势。     

语音识别技术研究进展

简单介绍了语音识别技术的发展历史和现状,阐述了语音识别系统的基本原理,对语音识别的基本方法和识别过程进行了深入分析,尤其对HMM模型及其改进型作了详细说明,探讨了语音识别技术发展过程中的难点问题,给出了相应对策,并对语音识别技术的发展方向和前景作了展望.     

语音识别技术分析

语音识别是研究让机器能够听懂人类口述的自然语言的一门学科,其最终目标是实现入与机器进行自然语言通信。介绍了语音识别的关键技术,主要有语音识别单元选取、特征参数提取技术、模式匹配准则及模型训练技术三个方面,通过具体的实现方法对各种技术作出介绍,以达到在语音识别中提高识别率的效果。最后对各种技术以及语音识别系统的作用和意义作出简要总结。     

基于差分过零峰值幅度特征的抗噪语音识别

针对多数语音识别系统在噪音环境下性能急剧下降的问题,提出了一种新的语音识别特征提取方法。该方法是建立在听觉模型的基础上,通过组合语音信号和其差分信号的上升过零率获得频率信息,通过峰值检测和非线性幅度加权来获取强度信息,二者组合在一起,得到输出语音特征,再分别用BP神经网络和HMM进行训练和识别。仿真实现了不同信噪比下不依赖人的50词的语音识别,给出了识别的结果,证明了组合差分信息的过零与峰值幅度特征具有较强的抗噪声性能。     

基于语音增强失真补偿的抗噪声语音识别技术

本文提出了一种基于语音增强失真补偿的抗噪声语音识别算法。在前端,语音增强有效地抑制背景噪声;语音增强带来的频谱失真和剩余噪声是对语音识别不利的因素,其影响将通过识别阶段的并行模型合并或特征提取阶段的倒谱均值归一化得到补偿。实验结果表明,此算法能够在非常宽的信噪比范围内显著的提高语音识别系统在噪声环境下的识别精度,在低信噪比情况下的效果尤其明显,如对-5dB的白噪声,相对于基线识别器,该算法可使误识率下降67.4%。     

基于VC的语音识别技术研究

本文设计了一个基于VC的语音识别软件,其主要功能有语音信号的录制、预处理及识别语音。通过实验表明,系统能够达到简单识别语音的要求。     

基于Matlab的语音识别系统研究

设计了一个基于Matlab软件的语音识别系统,其主要功能有语音信号的录制、播放、预处理、分段滤波、特征提取以及识别语音。通过实验验证了本系统能够达到识别简单语音的要求,但仍有需改进的地方,如：能否在复杂环境下识别比较复杂的语音。     

基于计算听觉场景分析和语者模型信息的语音识别鲁棒前端研究

传统抗噪算法无法解决人声背景下语音识别(Automatic speech recognition, ASR)系统的鲁棒性问题. 本文提出了一种基于计算听觉场景分析(Computational auditory scene analysis, CASA)和语者模型信息的混合语音分离系统. 该系统在CASA框架下, 利用语者模型信息和因子最大矢量量化(Factorial-max vector quantization, MAXVQ)方法进行实值掩码估计, 实现了两语者混合语音中有效地分离出目标说话人语音的目标, 从而为ASR系统提供了鲁棒的识别前端. 在语音分离挑战(Speech separation challenge, SSC)数据集上的评估表明, 相比基线系统, 本文所提出的系统的语音识别正确率提高了15.68%. 相关的实验结果也验证了本文提出的多语者识别和实值掩码估计的有效性.     

基于功率谱差分的语音特征及其在带噪语音识别中的应用

文章提出了一种抗噪声的语音特征。首先让语音信号的功率谱通过一组带通滤波器,再计算各滤波器输出的差分值。理论分析和实验一致证明,以此作为语音信号的特征,可以大幅度提高语音识别系统在噪声环境中的性能。     

基于邻接空间的鲁棒语音识别方法

提出了一种基于邻接空间模型的鲁棒语音识别方法,解决测试集和训练集差别导致的识别正确率过低的问题.在以声学模型为中心的邻接空间中计算贝叶斯预测概率密度值,作为观察概率输出分值进行识别.实验表明,相对于传统语音识别方法,鲁棒识别方法在保证干净测试集的识别率没有很大下降的前提下,对含噪测试集的识别率获得了较大的提高.     

在汉语语音识别中应用声调信息的研究

声调信息在汉语普通话语音识别系统中,具有非常重要的意义。文章实现了声调特征提取的算法,并主要研究了如何应用这些特征,才能最大限度地发挥声调信息的作用,提高识别系统的性能。实验结果表明,声调特征可以和识别系统原有的特征很好地结合,合理应用声调信息能有效地提高识别系统的性能,系统的误识率下降了22.26%。     

一种基于鲁棒特征的模型补偿噪声语音识别方法

针对抗噪声语音特征技术和基于MFCC特征的模型补偿技术在低信噪比时识别率不高的缺点，将抗噪声语音特征和模型补偿结合起来，提出了一种基于单边自相关序列(One—sided autocorrelation，OSA)MFCC特征的模型补偿噪声语音识别方法，以提高语音识别系统在低信噪比时的性能。对0～9十个英文数字和NOISEX92中的白噪声、F16噪声和FACTORY噪声的识别实验结果表明．本文提出的识别方法可以有效地提高OSA—MFCC识别器在噪声环境中的识别率，并且在低信噪比时其性能明显优于经过相同补偿处理的MFCC识别器。