声学模型

摘要： 噪声是载人航天器的重要环境因素之一,航天器环境噪声升高会直接影响航天员工作和休息,进而影响空间科学任务。然而,以往在轨运行的载人航天器存在较多噪声过大的问题,多孔吸声材料已经在国际空间站应用并取得良好的降噪效果,我国空间站预计2022年底建成,了解声学多孔材的声学模型以及吸声机理对我空间站运营阶段的降噪具有重要的意义。基于刚性框架假设,多孔吸声材料声学等效模型分为经验模型和唯像模型,Delany-Bazley是常用的经验模型,采用此模型不能对多孔材料吸声的性能提供精确的预测,唯象模型考虑了声波在材料孔隙和空腔中的传播,可以准确预测吸声性能,因此Johnson-Champoux-Allard唯象模型被众多学者应用。流阻、孔隙率、曲率、粘胶特征长度和热特性长度等多孔材料声学特性参数是准确建立多孔材料Johnson-Champoux-Allard模型的关键,流阻测试方法包括直接气流法、声学阻抗管法、交流法和比较法;孔隙率的测试方法分为直接测试方法和声学阻抗管测试方法;曲率、粘性特征长度和热特性长度可以通过超声波进行直接测试,直接测量通常比较复杂、不太可靠并且具有破坏性,反演优化方法是获得多孔材料曲率、粘性特征长度和热特性长度的常用方法。本文概述了多孔吸声材料在国际空间站的应用情况,综述了多孔吸声材料声学等效模型的研究进展,介绍了多孔吸声材料吸声原理、声学扰动基本方程以及声学属性参数的测试方法,重点介绍了多孔吸声材料声学等效模型中的经验模型和唯像模型,进而对多孔材料声学等效模型中的声学特征参数的测试方法进行详细论述。

摘要： 资源匮乏语言语音信息检索研究比汉语、英语等大语言进展缓慢,需要大量预处理工作。神经网络模型在低资源环境下的高效建模能力给低资源语言信息处理工作带来便利。文中以维⁃哈等低资源语言为基础,通过一系列预处理过程获得了这些语言的语音及文本资源,再利用高斯混合隐马尔可夫模型GMM⁃HMM、深度神经网络隐马尔可夫模型DNN⁃HMM等完成了关键词检索实验。实验结果表明,三音素下的DNN⁃HMM模型比GMM⁃HMM模型检索性能要好。维吾尔语的ATWV达到了0.368,MTWV达到了0.491,检索结果准确率达到了89.36%;哈萨克语的ATWV达到了0.382,MTWV达到了0.421,检索结果准确率达到了82.15%。

摘要： 以5种猪声为研究对象,首先,用维纳滤波和端点检测对猪声进行预处理,获得有效语料;然后,提取梅尔倒谱系数(Mel Frequency Cepstral Coefficient,MFCC)制作样本集,再构建基于BiLSTM的声学模型学习样本集;最后用训练好的模型对猪声MFCC序列进行分类,实现生猪音频识别。结果表明:(1)通过5折交叉试验验证,5组模型总体识别率均达到90%,最高组为92.52%;(2)用样本集外语料对最优组模型进行算法应用测试,模型对进食、咳嗽、发情、嚎叫和哼叫的样本识别率分别为88.35%、93.65%、90.38%、88.46%、92.63%,总体识别率为90.70%。

摘要： 随着多媒体信息和通信技术的快速发展,网络上的多语言语音数据日益增多。语音识别作为语音分析与处理的核心技术,如何快速地把中文和英文等少数多资源主要语言处理能力推广到更多的低资源语言,是当前识别技术迫切需要突破的瓶颈。文中试图总结声学模型建模领域的最新进展,探讨传统语音识别技术从单语言向多语言跨越过程中可能面临的困难。并在此基础之上,探索了最新的端到端语音识别技术在关键词检索系统构建上的作用,以进一步改善系统的整体效果。最后总结了如下最新研究进展:1)基于模型参数共享的多语言声学建模;2)基于语种分类信息的多语言声学建模;3)基于帧级别对齐的端到端关键词检索技术。

摘要： 语音识别使声音变得"可读",让计算机能够"听懂"人类的语言并做出反应,是人工智能实现人机交互的关键技术之一.本文介绍了语音识别的发展历程,阐述了语音识别的原理概念与基础框架,分析了语音识别领域的研究热点和难点,最后,对语音识别技术进行了总结并就其未来研究进行了展望.

摘要： 本文提出了一种改进的残差卷积神经网络音频噪声检测方法,其可有效解决音频噪声检测的准确性与高效性问题。测试结果表明,此方法在实际生产应用环境中达到98%±0.5%的准确率与450倍速的计算效率。此外,本文也提出了一种音频噪声检测系统的实现方案。

摘要： 利用某土质场地化爆实验的声震数据,考虑地面反射和地介质耦合作用,对以经验和半经验声学模型为基础的地面爆炸当量预测方法进行了讨论。结合地震波模型,采用声震分析方法分析了地面爆炸当量的预测精度。结果表明:地介质耦合作用对声学方法的地面爆炸当量预测精度影响较大;若不考虑地介质耦合作用,土质场地的当量预测结果明显小于真实值。联合地震波数据增加额外约束进行反演,可以减小当量-爆高(埋深)折中关系,获得较高的当量估计精度。对比多种分析模型发现,采用IPM(improved parametric models)声学模型和近地面声学模型进行声震分析获得的当量预测精度最高。

摘要： 随着各级电网调度数据接入规模的快速增大,调度员承担的职责和复杂性日益增多,给电网调度指令的正确下发和电网的安全稳定运行带来了严峻的挑战。调度语音识别是解决该问题的有效手段之一,也是推进电网智能化建设的重要举措。本文首先介绍了语音识别的基本概念,在调度语音大数据的背景下,引入了卷积神经网络模型和隐马尔科夫模型用于电网调度语音识别,并结合电网专业知识背景构建了电网调度语音声学词表,建立了基于大数据和CNN-HMM的电网调度语音识别声学模型,在特征计算时采用了倒谱均值方差归一化方法,以降低信道和噪声影响,提升声学模型的鲁棒性。仿真算例表明,该模型可以有效提升调度语音识别的准确性,为相关工程实践提供了一种思路。

摘要： 语音合成技术在人机交互中扮演着重要角色,深度学习的发展带动语音合成技术高速发展.基于深度学习的语音合成技术在合成语音的质量和速度上都超过了传统语音合成技术.从基于深度学习的声码器和声学模型出发对语音合成技术进行综述,探讨各类声码器和声学模型的工作原理及其优缺点,在此基础上对语音合成系统进行综述,系统综述经典的基于深度学习的语音合成系统,对基于深度学习的语音合成技术进行展望.

摘要： 近年来,深度学习凭借其优越的性能广泛应用于图像处理、自然语言处理、语音识别等领域,它对性能的提升远超于以往的传统方法.论文采取循环神经网络(Recurrent Neural Networks,RNN)中的长短期记忆模型(Long Short Time Memory,LSTM)实现了语音识别中的声学模型构建,并增加反向时序信息对训练的影响,构成了双向长短期记忆模型(Bi-directional Long Short Time Memory,BLSTM).语音信号是一种复杂的时变信号,而BLSTM能够在处理时间序列数据的同时,选择性地记住有效信息,丢弃无用信息,实验表明该方法的识别率较传统的高斯混合模型-隐马尔可夫模型(Gaussian Mixture Model-Hidden Markov Model,GMM-HMM)有显著的提高.

摘要： 基于DNN的声学模型自适应算法是语音识别领域中重要的研究方向,自适应技术是通过少量的自适应数据优化基线模型,解决由于目标测试数据与训练数据不匹配而导致的识别性能下降的问题.实际上,少量的自适应数据几乎无法描述所有目标测试数据的分布情况,因此通过自适应数据统计得到的先验概率同样缺乏通用性.文章中针对这个问题,提出了基于先验概率线性插值的声学模型自适应方法,该方法将自适应数据的先验与基线模型的先验进行线性插值,使先验知识不仅融合了测试数据信息而且更具有通用性.实验证明,通过线性插值的先验可以有效改善识别性能.

摘要： 声学模型自适应算法研究目的是缓解由测试数据和训练数据不匹配而引起的识别性能下降问题.基于深度神经网络模型框架的自适应技术中,重训练是最直接的方法,但极容易出现过拟合现象,尤其是自适应数据稀疏的情况下.文章针对领域相关的自动语音识别任务,对典型的两种声学模型自适应算法进行了尝试,实验了基于线性变换网络的自适应方法和基于相对熵正则化准则的自适应方法,并对两种算法进行了详尽地系统性能比较.实验表明,在不同的自适应数据量下,相对熵正则化自适应方法均能表现出较好的性能.

摘要： 在实际应用中,许多潜在的语音识别任务都需要有多种语言的支持,但其中一些语言会面临数据资源缺乏的情况.因此,能够对非目标语言的语音数据进行利用,弥补目标语言资源受限所带来缺陷的多语言声学模型建模方法逐渐成为目前语音识别研究的一个热点和难点.本文以日语为例研究多语言声学模型建模方法,通过构建建模单元共享和模型参数共享两种不同的框架,对两种技术路线进行了分析与比较.实验结果表明,基于模型参数共享的方法取得较好效果,相较于未进行资源共享的基线系统可以获得相对26.6％的字错误率改善.

摘要： 针对真实评测数据中噪声、方言口音、信道噪声、说话随意性等不利因素,本文对声学模型进行了深入地研究:在训练数据中加入背景噪声以增强模型的抗噪声能力；采用基于说话人的倒谱均值方差规整,来降低信道及说话人个体特性的影响；用与待测语音相同地域的朗读和自然口语数据做最大后验概率(MAP)自适应,使模型带有当地方言口音的发音特点并较好地描述自然口语中比较随意的发音现象。实验结果表明,使用这些措施后,待测语音的识别正确率相对提高了44.1％,从而使机器评分和专家评分的相关系数相对提高了6.3％。

摘要： 人工耳蜗(cochlear implant,CI)的声学模型是指将原始声信号按照CI信号处理的某些前期步骤进行处理,并最终合成一种声刺激信号的信号处理算法或声码器(vocoder).通常可对正常听力者播放该类合成信号,用以对CI听音效果进行模拟或预测.近二十余年最常用的CI声学模型是Shannon等人在1995年在Science期刊发表的一个声码器模型.比较了不同通道数情况下，新模型和经典模型对应的言语识别效果。

摘要： 由于背景噪声,混响以及人声干扰等因素,远场语音识别任务一直充满挑战性.本文针对远场语音识别任务提出基于注意力机制和多任务学习框架的长短时记忆递归神经网络声学模型.模型中嵌入的注意力机制使其自动学习调整对扩展上下文特征输入的关注度,显著提升了模型对远场语音的建模能力.为进一步提高模型的鲁棒性,引入多任务学习框架,使其联合预测声学状态和干净特征.AMI数据集上的实验结果表明,与基线模型相比,引入注意力机制和多任务学习框架的LSTM模型获得了绝对1.5％的词错误率下降.

摘要： 本文首先介绍了连续语音识别系统的基本组成及HTK工具箱的原理与应用,然后利用HTK工具箱搭建了一个连续语音识别系统,并在TIMIT—一个非特定人的大词汇量连续语音数据库上进行了实验.在实验的过程中,讨论了如何选择不同的语言模型,如何选择不同的声学模型进行建模,并且对模型的高斯混合度等参数进行了一系列的改进.通过实验,可知语言模型选择统计语言模型,声学单元选择三音素进行建模及模型的混合高斯度适当增加,都会提高连续语音识别的识别率.

摘要： 本文针对语音云系统的应用中，用户语音识别涉及领域多的问题，比较了包含各领域的通用系统和分领域识别系统的性能，结果表明分领域识别比采用通用系统有明显优势。分领域识别有前端领域判别和后端结果融合的两种方法，采用后端结果融合的方法能综合利用语言模型和声学模型的信息，相对前端领域判别的方法更有优势。

摘要： 藏语是汉藏语系的代表语言之一,其方言声调一直是学界争论的焦点问题.本文以拉萨话、玉树话和夏河话为三大方言的代表,用实验语音学的方法对这三个方言的单音节声调进行声学分析,并建立音域模型,比较这三个方言声调之间的差异.一方面为藏语声调的产生和发展的研究建立基础,另一方面为藏语语音合成和语音识别提供定量的研究数据.

摘要： 对浙大紫金港校区噪声源进行识别、定义和实地监测,运用噪声预测软件Cadna/A构建声学模型,在校园声学模型中考虑人群噪声和自行车噪声的影响,并尝试建立了食堂、球场等复杂噪声预测方法,建成中国首个针对大学校园的噪声地图.通过分析声环境现状,对平衡和改善大学校园声环境提出一些建议.

摘要： 本申请提供了一种声学模型的建模单元的编码方法、声学模型的训练方法，编码方法包括：对建模单元的经过预处理的语音流信号片段进行增量式扫描，其中，语音流信号片段包括至少一个音频帧，以及增量式扫描包括，根据增量式扫描的当前时间步所对应的扫描范围，对由扫描范围确定的音频帧进行扫描，其中扫描范围包括从增量式扫描的第一个时间步到当前时间步包含的全部音频帧对应的宽度；根据扫描范围在增量式扫描中对语音流信号片段的覆盖程度，计算指示覆盖程度的概率值，概率值用于表示扫描范围覆盖的语音流信号片段与建模单元的特定属性相符合的似然概率；以及将用于指示特定属性的一个或多个编码位的值更新为概率值。

摘要： 本发明的声学模型学习装置使用每个讲话者的学习数据和全部讲话者的学习数据来学习声学模型，因此，能够学习针对第1讲话也不会延迟识别结束时间且确保了识别精度的声学模型，其中，该每个讲话者的学习数据是从每个讲话者的各特征向量中减去每个讲话者的全部特征向量的平均向量而生成的，该全部讲话者的学习数据是从全部讲话者的各特征向量中减去全部讲话者的全部特征向量的平均向量而生成的。并且，在本发明的语音识别装置中，如果所输入的语音是第1讲话，则将全部讲话者的全部特征向量的平均向量作为校正向量，将从所输入的语音的特征向量中减去校正向量而得到的校正后向量与所述声学模型进行核对，因此，针对第1讲话也不会延迟识别结束时间且能够确保语音识别的精度。

摘要： 本发明提供一种声学模型的训练构造方法和基于训练方法的隐马尔科夫声学模型和语音识别系统，所述训练方法为：(1)基于训练数据和预先给定的状态聚类，计算得到每类的帧数统计量和类内散度矩阵。(2)对于模型中表示非语音的状态类，当其对应的帧数统计量远大于状态类的平均统计量时，对其进行统计量抑制平滑。(3)对于模型中表示语音的状态类，当其对应的帧数统计量远小于状态类的平均统计量时，对其进行统计量抑制平滑。(4)基于类内散度矩阵和平滑后的类统计量，计算异方差线性判别分析矩阵。(5)将计算得到的异方差线性判别分析矩阵用于语音特征和模型的降维，并重新迭代得到降维后的稳定声学模型。本发明最终提高声学模型的识别性能。

摘要： 提供一种有效进行利用特定条件的学习数据执行了DNN的声学模型的自适应且可提高精度的统计声学模型的自适应方法。在采用了DNN的声学模型的说话人自适应方法中，包括：第1存储装置分别存储不同的说话人的讲话数据(90～98)的步骤；准备按说话人区分的隐藏层模块(112～120)的步骤；在切换选择讲话数据(90～98)的同时，一面用与选出的讲话数据相对应的隐藏层模块(112～120)动态地置换特定层(110)，一面进行针对DNN(80)的所有层(42、44、110、48、50、52、54)的准备性学习的步骤；用初始隐藏层置换已完成准备性学习的DNN的特定层(110)的步骤；和将初始隐藏层以外的层的参数固定，采用特定说话人的声音数据进行DNN的学习的步骤。

摘要： 本申请提供了一种声学模型的建模单元的编码方法、声学模型的训练方法，编码方法包括：对建模单元的经过预处理的语音流信号片段进行增量式扫描，其中，语音流信号片段包括至少一个音频帧，以及增量式扫描包括，根据增量式扫描的当前时间步所对应的扫描范围，对由扫描范围确定的音频帧进行扫描，其中扫描范围包括从增量式扫描的第一个时间步到当前时间步包含的全部音频帧对应的宽度；根据扫描范围在增量式扫描中对语音流信号片段的覆盖程度，计算指示覆盖程度的概率值，概率值用于表示扫描范围覆盖的语音流信号片段与建模单元的特定属性相符合的似然概率；以及将用于指示特定属性的一个或多个编码位的值更新为概率值。

摘要： 本发明的声学模型学习装置使用每个讲话者的学习数据和全部讲话者的学习数据来学习声学模型，因此，能够学习针对第1讲话也不会延迟识别结束时间且确保了识别精度的声学模型，其中，该每个讲话者的学习数据是从每个讲话者的各特征向量中减去每个讲话者的全部特征向量的平均向量而生成的，该全部讲话者的学习数据是从全部讲话者的各特征向量中减去全部讲话者的全部特征向量的平均向量而生成的。并且，在本发明的语音识别装置中，如果所输入的语音是第1讲话，则将全部讲话者的全部特征向量的平均向量作为校正向量，将从所输入的语音的特征向量中减去校正向量而得到的校正后向量与所述声学模型进行核对，因此，针对第1讲话也不会延迟识别结束时间且能够确保语音识别的精度。

摘要： 本发明提供一种声学模型的训练构造方法和基于训练方法的隐马尔科夫声学模型和语音识别系统，所述训练方法为：(1)基于训练数据和预先给定的状态聚类，计算得到每类的帧数统计量和类内散度矩阵。(2)对于模型中表示非语音的状态类，当其对应的帧数统计量远大于状态类的平均统计量时，对其进行统计量抑制平滑。(3)对于模型中表示语音的状态类，当其对应的帧数统计量远小于状态类的平均统计量时，对其进行统计量抑制平滑。(4)基于类内散度矩阵和平滑后的类统计量，计算异方差线性判别分析矩阵。(5)将计算得到的异方差线性判别分析矩阵用于语音特征和模型的降维，并重新迭代得到降维后的稳定声学模型。本发明最终提高声学模型的识别性能。

摘要： 本发明涉及一种基于声学空间非线性流形结构的声学模型构建方法。本发明通过将特征空间划分为多个局部区域，对每个局部区域用一个低维的线性因子分析模型进行近似，得到声学特征空间的混合因子分析模型；将上下文相关状态的观测矢量限定在该非线性低维流形结构上，估计其观测概率模型；每个状态模型由一个服从稀疏约束的权重矢量和若干个服从标准正态分布的低维局部坐标矢量所决定；通过迭代过程，分别估计混合因子分析模型参数和各上下文相关状态模型参数。本发明所构建的声学模型的非线性假设条件更为合理，具有直观的物理意义，且声学模型中大量的参数是状态无关的，特别适用于训练数据量较少时的连续语音识别声学建模。

摘要： 本申请提供了一种基于声学模型和语言模型的音频识别方法。本方法包括：获取音频片段；基于声学模型对音频片段进行处理，得到音频片段对应的音素序列，音素序列包括用于表征标点符号的标点音素；基于语言模型对音素序列进行处理，得到音素序列对应的文本信息，文本信息包括标点符号。本方法无需引入其他的标点模块和搜索模块对纯文本信息进行处理，通过声学模型和语言模型可以直接得到音频片段对应的带有标点符号的文本信息，使得音频识别更加方便和高效。

摘要： 本发明公开了一种基于概率扩散模型的声学模型后处理方法、服务器及可读存储器，该方法包括：模型训练，利用服务器对概率扩散模型进行训练，通过降低损失函数优化概率扩散模型的参数，直至模型收敛，获得概率扩散模型的权重；模型推断，根据训练阶段获得的模型权重，利用服务器对输入的预测频谱实现频谱优化。该方法通过学习输入的预测频谱和真实频谱之间的特征相似性，使用模型中噪声估计网络的数据拟合能力，实现基于扩散的概率分布转移，最终使输入的预测频谱更加近似于真实频谱。通过频谱质量的提高实现对合成语音自然度的提升。该方法针对各种声学模型得到的频谱都可以起到频谱细节优化的作用，与其他方法相比，取得了更优的频谱生成效果。