人耳听觉相关代价函数深度学习单通道 语声增强算法*

均方误差（Mean-Square Error,MSE）函数是深度学习单通道语声增强算法最常用的一种代价函数。然而,MSE误差值的大小与语声质量好坏并非完全相关。为了提高算法性能,本文在深度神经网络训练中引入了两类与人耳听觉相关的代价函数。第一类是加权欧氏距离代价函数,考虑了人耳听觉掩蔽效应;第二类是Itakura-Satio代价函数、COSH代价函数和加权似然比代价函数,强调语声谱峰的重要性,侧重于恢复干净语声谱峰信息。基于长短期记忆网络结构分析比较了两类代价函数在深度学习单通道语声增强算法中的性能,并与MSE代价函数进行对比。实验结果表明,基于加权欧式距离代价函数的深度神经网络单通道语声增强算法能够获得更好的语声质量和更低的噪声残留。     

基于无线自组织物联网的智能语音预警系统设计方法

智音物联网技术的普及应用,推动了智能安防的发展,使得智能安防体系由简单的安全防护向综合化、系统化、人性化演变;首先重点研究了智音物联网并分析了国内外灾害预警系统的现状,设计了基于无线自组织网络的智能语音灾害预警系统,该系统解决了传统灾害预警发布信息时的弊端,改善了灾害预警系统的交互体验,初步实现了灾害预警系统的“智能化”;最后对智能语音灾害预警系统的整体运行效果进行了观察验证,并通过实验测试了预警系统各个模块的性能,得到了客观的测试数据。     

改善含噪语音说话人辨认系统性能的方法

当对含噪语音进行说话人辨认时,系统的识别性能会明显变差,本文提出采用对倒谱参数非线性加权的方法,改善系统的噪声鲁棒性.通过对多种加权窗的正识率比较,发现对LPC倒谱低阶参数加权提升,对美尔倒谱高阶参数的加权提升,均提高了系统的识别性能.     

基于最优平滑和统计最小的语音增强

针对传统最优平滑和统计最小的噪声估计方法存在较大搜索延时的缺点，提出了反向搜索噪声估计算法，从而在不需要语音活性检测的基础上有效地解决了搜索延时问题，并且运用反向搜索噪声估计器构造了新的语音增强系统．实验结果显示，该系统使语音得到进一步的增强，而且提高了噪声估计的精确度，具有一定的实用价值．     

计算机语声动态谱实时伪彩色编码显示研究

本文介绍一种计算机语声动态功率谱、动态倒频谱及动态线性预测谱实时伪彩色编码显示的新方法。应用这种方法所获得的伪彩色谱图便于直观判读,也可作精确测量。此外,本文应用这种方法提取语声倒谱的积谱、谱矩距离等语音时变特征,并加以伪彩色编码显示。我们还应用上述方法对某些典型的常态语声及变态语声进行了观测,在文中给出了实验结果。     

语音识别中基于语谱图 的语音音素分割方法

语谱 图在语音分析方 面 有着广泛 的应用.音素的 自动分割是语音识别过程中的一个基本阶段,它 将把语音句子按音素特征 进行分割.本文提出 了一 个音素 自动分割的方法 ;使用了两个表示 语谱图密度变化 的形变函 数,以及 自适应阂值技术来 定位每个音素段的边 缘.这个方法在 计算机 上 具体实现 后.我们对取于 一 个 语谱图数据 库的一组 实验数据,用本 文所介绍 的自动分割方法划分 音素,将所得结果与 由一 语音学家分 割的结果进行 比较,得到 的识别率高于 93 %.这 个方法作为语音识别系 统的一 部分.已经在一 个语音分析 系统中使用.     

汉语语音视位的研究

MPEG-4首次作为国际标准正式定义了视位（Viseme）的概念，它是指与某一音位相对应的嘴、舌头、下腭等可视发音器官所处的状态。本文通过对汉语发音时各可见部分器官动作和发音规则的研究，将汉语发音分为28个基本静态视位。利用语音信息从AVI文件中自动抽取出这些基本视位图象，从MPEG-4所规定的68个面部动画参数（FAP）中提取出28个来描述这些口形，并实现了部分FAP参数的自动测量，最后，我们给出一个视位研究应用的实例。     

语言声学的进展

本文涉及语言声学的语音学研究、文语转换技术、语音识别技术及自然语言处理等方面，简要介绍了有关汉语在前三方面的进展和发展方向；重点介绍了面向整个自然语言理解处理的新理论一概念层次网络（HNC）理论的主要内容及其进展，试图在理论层面上给出HNC理论的基本概貌。     

Comparison of direct and indirect calculations of laryngeal airway resistance in connected speech

Direct measures of subglottal pressure obtained through a tracheal puncture were used to calculate laryngeal airway resistance. Six subjects completed tasks including syllable trains and more natural speech samples produced at three loudness levels. Direct calculations of natural speech resistance values were compared with indirect estimates obtained during syllable train production. The degree of correspondence between direct and indirect calculations varied by subject. Overall, the smallest relative errors among calculations occurred for syllable trains, with higher relative errors for the monologue and sentence. For loudness conditions, the smallest and largest relative errors occurred for soft and loud productions, respectively. The clinical utility of indirect estimation is questioned and suggestions for improving its validity are provided.     

Anatomical and Functional Correlates of Voice Quality in Tracheoesophageal Speech

The purpose of the current study was to assess the anatomic and functional correlates of voice quality in tracheoesophageal speech, with dynamic imaging studies of the neoglottis. Videofluoroscopy (providing a lateral view), digital high-speed endoscopy (providing a "birds-eye" view), and their relationships with perceptual evaluations of voice quality were investigated. Several significant relationships were found. Imaging with videofluoroscopy revealed that the following anatomic and functional parameters (established during phonation) are related to voice quality: presence of a neoglottic bar, regurgitation of barium, tonicity of the neoglottis, and minimal neoglottic distance. Furthermore, the index of the increase of the maximal subneoglottic distance from rest to phonation also showed a significant relationship with voice quality. Imaging with digital high-speed endoscopy revealed features relevant to voice quality, including amount of saliva, visibility of the origin of the neoglottis, shape of the neoglottis, and regularity of the vibration. Knowledge of the anatomic and functional correlates of tracheoesophageal voice quality provides prerequisite information for future (phono-) surgical and/or clinical improvements to the voice quality of postlaryngectomy (prosthetic) voice production.