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。  

基于听觉模型的耳语音的声韵切分

本文分析了耳语音的特点，并根据生理声学及心理声学的基本理论与实验资料，提出了一种利用听觉模型来进行耳语音声韵切分的方法。这种适用于耳语音声韵切分的听觉感知模型主要分为四个层次：耳蜗对声音频率的分解机理；听觉系统的时域和频域非线性变化；中枢神经系统的侧抑制机理。这种模型能反映在噪声环境下人对低能量语音的听觉感知特性，因而适于耳语音识别，在耳语音声韵母切分实验中得到了满意的结果。  

汉语耳语音孤立字识别研究

耳语音识别有着广泛的应用前景,是一个全新的课题.但是由于耳语音本身的特点,如声级低、没有基频等,给耳语音识别研究带来了困难.本文根据耳语音信号发音模型,结合耳语音的声学特性,建立了一个汉语耳语音孤立字识别系统.由于耳语音信噪比低,必须对其进行语音增强处理,同时在识别系统中应用声调信息提高了识别性能.实验结果说明了MFCC结合幅值包络可作为汉语耳语音自动识别的特征参数,在小字库内用HMM模型识别得出的识别率为90.4%.  

说话人辨认中有效参数的研究

说话人辨认技术是语音识别中的一项重要应用，在我们研究的系统中，LPC参数并不是都很有效，我们用统计分析方法对12个预测系数、12个部分相关系数、12个对数面积比系数、12个倒谱系数、12个相关系数、短时能量、短时平均过零率及基音共63个参数，进行方差比检验，用10名男青年的三个元音的发音，在半年内采集97种语音作为试验材料，选出15个方差比比较大的作为识别参数，识别率为89.19%，采用样本刷新技术后，识别率达到97.3%。  

第四讲语音信号处理的现状和展望

文章简要介绍了“语音信号处理”这一分支学科形成和发展的历史过程．指出了它在现代信息科学技术中的地位和作用．介绍了语音信号处理在应用领域的一些重要课题，如语音的低速率编码，语音的规则合成和文一语转换系统，语音识别和人一机语音对话等，这些仍然是当前研究的热点．文章最后展望了语音信号处理的发展前景，指出在这个领域还有很多难题等待人们去研究探索．  

视听系统声干扰的自适应抵消

对一个用语音遥控的视听系统而言，视听系统本身所发出的声音常常造成语音识别的错误，本文所采用的自适应声干扰低消技术能有效地降低这种声干扰，基于自适应声干扰抵消最佳性能的分析，导出了抵消性能与权系数的个数以及混响时间的表达式，并实时地实现了带有１０２４个权系数的自适应声干扰抵消系统。在一般居室中，声干扰的抵肖可达２６ｄＢ。  

基于最大似然多项式回归的鲁棒语音识别

本文针对最大似然线性回归算法线性假设的缺点,将多项式回归方法用于模型自适应,构建了基于最大似然多项式回归的非线性模型自适应算法.该算法在对数谱域用多项式回归方法,逼近每个Mel子带上识别环境模型均值与训练环境模型均值之间的非线性关系.多项式系数通过EM算法和最大似然准则从识别环境下的少量自适应数据中估计.实验结果表明,二阶多项式就可以较好地逼近模型均值的非线性环境变换关系.在噪声补偿和说话人自适应实验中,最大似然多项式回归算法的误识率都明显低于最大似然线性回归算法.本文算法较好地克服了线性模型自适应算法线性假设的缺陷,可同时减小噪声,和说话人的改变或其它因素对语音识别系统的影响,尤其适合说话人和噪声的联合自适应.  

Robust multi-stream speech recognition based on weighting the output probabilities of feature components

In the traditional multi-stream fusion methods of speech recognition, all the feature components in a data stream share the same stream weight, while their distortion levels are usually different when the speech recognizer works in noisy environments. To overcome this limitation of the traditional multi-stream frameworks, the current study proposes a new stream fusion method that weights not only the stream outputs, but also the output probabilities of feature components. How the stream and feature component weights in the new fusion method affect the decision is analyzed and two stream fusion schemes based on the mariginalisation and soft decision models in the missing data techniques are proposed. Experimental results on the hybrid sub-band multi-stream speech recognizer show that the proposed schemes can adjust the stream influences on the decision adaptively and outperform the traditional multi-stream methods in various noisy environments.  

一种对加性噪声和信道函数联合补偿的模型估计方法

语音识别系统在面对实际环境中多变的加性噪声和信道差异的影响时性能急剧下降,抑制这些噪声和差异所造成的性能下降具有重要意义.作者提出了一种模型补偿算法,使用句子中的非语音段估计加性噪声,然后利用EM算法估计信道函数,从而在倒谱域上对失配的声学模型进行联合补偿.实验表明,相比基线系统,采用该算法的系统的平均性能相对提升幅度超过50%.算法可以动态跟踪环境的变化,性能表现优于一些传统的语音识别稳健性处理算法.