基于高斯混合模型移动因子补偿的说话人识别方法

提出一种模型补偿方法,以克服基于高斯混合模型的文本无关说话人识别系统性能随目标话者训练语料长度减小而下降的问题.该方法首先构造了一个低维的移动空间,每个训练语料较充分说话人模型的自适应过程均可用该空间中的移动因子表示,然后在目标话者训练语料较不充分的条件下,从受训练语料长度影响较小的话者模型分量中学习移动因子,并依据它对受语料长度影响较大的分量进行参数补偿.和基线系统相比,该方法在相同的训练和评测集上,等错误率指标下,获得相对约7％的性能提升.     

基于分段的实时声频检索方法

提出了基于分段的实时声频检索方法,并讨论了在实时检索中的控制策略。该方法将检索目标划分为片段序列,并使用检索窗控制参与检索的片段。在多目标检索中,利用声频的类别信息加快检索速度。实验证明检索方法的速度快、可控性好、实时性强,具有良好的缺失鲁棒性(Robustness),查全率和查准率分别达到100％和99．7％;将声频分类可有效提高多目标检索的速度,声频分类方法的平均正确率为95．7％。解决了声频检索中检索反应滞后时间长、检索速度随检索目标长度增加呈线性下降等问题。     

基于音节Lattice的汉语语音检索技术及其索引去冗余方法

针对网络中越来越多的语音数据,人们迫切地需要基于语义内容的快速、准确的语音检索技术.本文在基于音节Lattice的汉语语音检索研究中,针对传统的向量空间模型检索方法的不足,提出了一种基于词检出实现的语音榆索方法.并针对Lattice索引存在的信息冗余问题,提出了一种基于音节后验概率直方图的索引去冗余方法.实验结果表明,本文的检索方法在性能上明显优于向量空间模型方法;而提出的索引去冗余方法达到了大规模缩减索引尺寸加快检索速度的目的.