声学特征

摘要： 为快速准确的识别公安工作中常见的伪造语音,采用深度卷积神经网络(Convolutional Neural Network,CNN)进行伪造语音检测。模型中卷积层可以有效获取声学信息,池化层进行下采样处理防止网络过拟合,全连接层则进行真伪分类。提取英文及中文数据库中音频文件的梅尔倒谱系数(Mel-Frequency Cepstral,MFCC)、线性频率倒谱系数(Linear Frequency Cepstral,LFCC)、伽玛通频率倒谱系数(Gammatone Frequency Ceptral Coefficient,GFCC)3种语音声学特征用于模型训练及测试。结果表明MFCC特征在该网络模型上结果最优,且在实验中所提神经网络对99%的伪造语音能够正确区分,在伪造语音检测中表现优秀。

摘要： 唇腭裂术后针对性的语音治疗是唇腭裂综合序列治疗的重要组成部分,主观语音评价是目前应用最广泛的评价体系,由于无法避免主观倾向的局限性,精准的腭裂语音诊疗仍有进一步完善的空间。随着医工交叉的广泛推进,计算机科学已成为前沿医疗的基石,人工智能在言语障碍领域已开展初步的临床应用。对于腭裂语音的计算机辅助识别和评价技术已有较多研究成果,辅音省略、咽擦音等代偿性发音错误是关键的识别分析特征,结合软硬件技术的系统能达到较高的识别准确度;但目前研究大多仅局限于独立的声学特征辨别,有待进一步开发多参数的分析函数来避免普遍评价的系统偏差;且计算机科学在腭裂语音评价及治疗方面仍缺乏治疗方案的尝试,在线诊疗平台未得到充分使用,因此运用人工智能媒介与主观评价体系的结合应是唇腭裂综合序列治疗的前景模式之一。

摘要： 针对微电机质量检测水平低、故障识别困难等问题,设计一种基于声学特征的微电机故障诊断方法。通过声音采集装置获得微电机转动时的正常声音信号和三种故障信号;从声音信号中提取39维梅尔频率倒谱系数和短时能量,搭建一维卷积神经网络模型进行识别。将声音信号转化成语谱图,建立二维卷积神经网络模型并识别。利用多模型融合技术中的加权平均算法将两个模型融合,融合后模型的准确率为93.58%,比单个模型平均提高2.43%。

摘要： 对于语音同一性鉴定,检材语音和样本语音具有可比性是开展鉴定的重要前提。为了对不同手机软件录音的可比性进行探索,对微信、抖音、花椒直播和录音机采集的语音信号进行了对比分析。研究发现,微信语音的有效频谱显示范围为0-8 kHz,抖音和花椒录制视频中音频信号为0-12 kHz,通过微信传输的视频中音频信号未见压缩或削减,微信、抖音、花椒直播等手机软件和录音机采集的语音信号的频谱特征在频率分布及走向、振幅强弱等特征,以及统计数据上均表现一致。研究说明不同手机软件录音与专业录音机录音具有可比性,均可用于语音同一性鉴定。

摘要： 声景规划是提升城市开放空间的人居声环境的重要手段,然而以往的研究较少考虑行为对声景的影响。因此,文章从行为模式的视角出发,通过城市开放空间声级、声源感知和感知评价三个方面,分析了参与式行为和非参与式行为下城市开放空间中声景的差异。结果表明,城市开放空间中行为的声学特征可以分别用LAeq、LN和Lmax等指标表征;在声感知方面,非参与式行为人群的声景感知差异不大;与非参与式行为人群相比,参与声学行为的人群在声舒适度、愉悦度方面评价较高,而主观响度评价偏低;参与非声学行为人群在声舒适度、愉悦度方面评价较低,主观响度评价无显著差异。因此,可以从行为的声学特征出发,通过声景规划对空间进行设计,满足不同人群的声环境需求。

摘要： 语音情感识别已经成为下一代人机交互技术的重要组成部分,从语音信号中提取与情感相关的特征是语音情感识别的重要挑战.针对单一特征在情感识别中准确度不高的问题,该文提出了特征级-决策级融合的方法融合声学特征和语义特征进行情感识别.首先提取声学特征,包括:1)低层次手工特征集,包括基于谱相关、音质、能量、基频等相关特征,以及基于低层次特征的高级统计特征;2)DNN提取的谱相关特征的深度特征;3)CNN提取的基于Filter_bank特征的深度特征.并且使用基于Listen-Attend-Spell(LAS)模型的语音识别模块提取语义特征.然后将声学特征中的3类特征与语义特征进行特征级融合,在确定融合特征的先后顺序时引入了构造哈夫曼树的方法.最后得到融合后特征和原始4类特征各自的情感识别结果,在结果之上进行决策级融合,使用此方法在IEMOCAP数据集中分类准确度可达76.2%.

摘要： 小舌与软腭部位的清塞音有分布上互补或二者合并为软腭音的关系。按塞音的调音过程及其对后接元音的影响进程,分析桑孔语小舌和软腭送气、不送气清塞音的GAP和VOT特征、瞬时能量频谱和变化趋势,以及音轨方程和后接元音谐波能量差,发现桑孔语小舌软腭清塞音之间存在区别,但并不明显,而且小舌音有前移或软腭化的趋势。

摘要： 为了能较为全面地描述语音信号的特征信息,提高伪装检测率,提出了一种基于均匀局部二值模式纹理特征与常数Q倒谱系数声学特征相结合,并以随机森林为分类模型的伪装语音检测方法。利用均匀局部二值模式提取语音信号语谱图中的纹理特征矢量,并与常数Q倒谱系数构成联合特征,再用所获得的联合特征矢量训练随机森林分类器,从而实现了伪装语音检测。实验中,分别对其他特征参数以及支持向量机分类器模型所构建的几种伪装检测系统进行了性能对照,结果表明,所提联合特征与随机森林模型相结合的语音伪装检测系统具有最优的检测性能。

摘要： 本文介绍了声学特征实现变压器的故障诊断的关键技术,通过采用实时分析变压器运行状态声信号的方法,定位变压器故障范围、判断运行趋势。实践结果表明,该方法相较于传统的人工巡检,故障发现的及时性和准确性皆大幅提升,同时具有声信号检测不受电场和磁场干扰、监测过程不影响变压器正常运行等优点。

摘要： 随着外来输入乐器以及新兴乐器在本域文化圈交流传播的不断扩大与普及,外来乐器文化以及新兴乐器名称有趋于稳固、覆盖以及“潜移默化”的统一,此即在世界乐器文化范围内形成的乐器同名异实之迹象。“洋琴”传入中国后,其两种早期译介虽托为“洋琴”之同名,但却为“锐上宽下”、与“一小锤与琴面键盘相连”两种乐器之实。本文对“洋琴”的同名异实及传入的本土化衍变进行名实考辨,对“洋琴”同名之由在声学特征上的异同表现进行细微分析阐述,并对乐器的同名异实现象及造成同名异实的原由进行分析与总结。

摘要： 韵律边界的声学特征是研究第二语言学习者韵律能力发展的重要维度.本研究以第一语言为韩语的汉语学习者的朗读产出为研究对象,以汉语母语者朗读韵律的基线数据作为参照,考察语言水平和韵律边界等级对韩语母语者汉语朗读韵律边界的声学特征产出的影响.研究结果表明:(1)韩语母语者在不同等级韵律边界处的各项声学特征的发展是不均衡的,低音点音高重置特征发展得最快,无声段时长和边界前音节延长特征发展得最慢.(2)不同语言水平的韩语母语者对于韵律边界声学特征层级关系的区分是不同的,这种能力的发展是动态的、非线性的:对于无声段时长特征来说,中级水平韩语母语者的表现最好,而初级和高级汉语水平韩语母语者表现较差;对于边界前延长特征来说,初级和高级汉语水平韩语母语者的表现较好,中级汉语水平韩语母语者的表现较差:对于低音点音高重置特征来说,韩语母语者对边界前音节为去声时低音点音高重置在各等级边界处的层级关系掌握得最好,其次是边界前音节为上声时的低音点音高重置层级关系,边界前音节为阳平时的低音点音高重置层级关系掌握得最不好.

摘要： 为了寻找更有效的记忆策略以提升人对声目标的学习记忆能力,通过快速记忆实验,考察声学特征与数序关联编码对记忆加工过程的影响.对照组未采用任何特殊记忆方法,两组数序组在学习记忆任务时呈现不同的数序关联编码信息,分析比较了三种学习条件下的实验数据.实验结果表明,数序编码信息能改善被试的心理操作,提升对记忆再认任务的辨别力,加快被试对学习项的信息提取时间;在选定的特征维度内,数字编码的排列顺序对实验结果没有产生显著差异.

摘要： 近年来,对颅骨声学特征的研究集中在经颅超声成像和治疗.研究超声波在颅骨中的传播规律,有助于了解颅骨的声学特性,从而帮助对颅骨的无损检测与穿透实验.超声导波的波场能够反映传播介质的结构和材料特性,在长骨疲劳检测、骨裂纹的诊断中都起到重要作用.本文基于超声导波周向传播方式,以颅骨的CT扫描图像为基础建立声学模型,应用K空间时域伪谱算法,对超声在颅骨中的传播过程进行仿真,探究其传播与衰减规律.

摘要： 本文将发音过程中的生理信息与声学特征进行融合,以融合后的信息为特征在深度神经网络的基础上进行语音识别研究.传统语音识别技术大多采用声学信号为特征,而生理EMA数据能够更好的反映出发音器官的运动情况,在语音识别中同样有十分重要的意义,因此本研究采用生理与声学信息同步采集的NTT日语数据库,将声学MFCC特征与生理EMA特征相融合,并采用当前在语音识别领域广泛应用的DNN-HMM模型,识别结果为95.11％与仅使用声学信号的语音识别结果相比提高了3.58％,与HMM/BN方法相比提高了11.03％.

摘要： 病理语音具有强烈的非平稳性和突变性特点.S变换具有良好的时频分辨率和时频定位能力.本文在S变换基础上结合人耳听觉的Mel特性,提出一种能够突出发声器官病变的病理语音特征MSCC(Mel S-Transform Cepstrum Coefficients).在NCSC语料库上,通过与经典语音倒谱特征MFCC和当前常用声学特征的对比,看到MSCC特征对语音中动态、快变的病理信息具有更强的刻画能力.此外,选用F-Score方法对特征进行评价和采用粒子群方法进行特征筛选,MSCC表现出了更好的分类性能.可见,MSCC特征为病理语音的高精准分析与临床诊断提供了理论基础.

摘要： 当前新出现的深度学习理论在机器学习、信号处理、人工智能和模式识别等领域引起了广泛的关注.深度置信网络是当前深度学习理论的一种代表性方法,具有较强的无监督特征学习能力.本文提出一种利用深度置信网络实现语音情感识别的新方法,即先采用深度置信网络对提取的情感声学特征进行无监督学习,获取更高层次的抽象特征,然后将其用于初始化多层感知器模型中的隐层网络权重值,最后利用该初始化后的多层感知器实现语音情感的识别.在德语Berlin情感语音数据库中的实验结果表明,该方法优于其它使用的情感识别方法.

摘要： 目的：对比分析青年人和老年人的自发吞咽音特征.rn 方法：健康受试者100例,分为青年组(19～30岁)和老年组(60～85岁),每组50例(男女各25例).2组研究对象均测量颈围(绕甲状软骨水平的颈部周径)和体重指数(BMI).在甲状软骨以下气管左侧检测自发吞咽音20min,采用RavenPro1.5.0进行吞咽音切分、标注和吞咽声学指标测算,包括每分钟自发吞咽频率(SPM)、吞咽音长、能耗、半耗能时长及半耗能时长占比,使用R3.4.0进行统计分析.rn 结果：青年组的平均颈围(34.31±3.45)cm,与老年组[(33.95±3.00)cm]比较,差异无统计学意义(P=0.5789);青年组的BMI为(21.97±2.65)kg/m2,低于老年组[(23.43±2.89)kg/m2],组间差异有统计学意义(P=0.0219).老年组的SPM为(0.39±0.34)次/min,显著少于青年组[(0.91±0.51)次/min],且组间差异有统计学意义(P＜0.01);老年组的吞咽音长为(0.92±0.29)s,显著长于青年组[(0.84±0.26)s],且组间差异有统计学意义(P＜0.01);老年组单次吞咽消耗的能量为(76.88±9.82)dB,显著高于青年组[(75.43±8.93)dB],差异有统计学意义(P＜0.05);老年组单次吞咽消耗一半能量所需时间为(0.43±0.24)s,显著长于青年组[(0.38±0.19)s],差异有统计学意义(P＜0.01),但该时间占吞咽音长的比例在青年组[(48.30±28.20)％]和老年组[(49.00±29.90)％]之间差异无统计学意义(P=0.6859).rn 结论：与青年人相比,老年人的自发吞咽频率明显减少,吞咽音明显延长.

摘要： 目的：对比分析青年人和老年人的自发吞咽音特征.rn 方法：健康受试者100例,分为青年组(19～30岁)和老年组(60～85岁),每组50例(男女各25例).2组研究对象均测量颈围(绕甲状软骨水平的颈部周径)和体重指数(BMI).在甲状软骨以下气管左侧检测自发吞咽音20min,采用RavenPro1.5.0进行吞咽音切分、标注和吞咽声学指标测算,包括每分钟自发吞咽频率(SPM)、吞咽音长、能耗、半耗能时长及半耗能时长占比,使用R3.4.0进行统计分析.rn 结果：青年组的平均颈围(34.31±3.45)cm,与老年组[(33.95±3.00)cm]比较,差异无统计学意义(P=0.5789);青年组的BMI为(21.97±2.65)kg/m2,低于老年组[(23.43±2.89)kg/m2],组间差异有统计学意义(P=0.0219).老年组的SPM为(0.39±0.34)次/min,显著少于青年组[(0.91±0.51)次/min],且组间差异有统计学意义(P＜0.01);老年组的吞咽音长为(0.92±0.29)s,显著长于青年组[(0.84±0.26)s],且组间差异有统计学意义(P＜0.01);老年组单次吞咽消耗的能量为(76.88±9.82)dB,显著高于青年组[(75.43±8.93)dB],差异有统计学意义(P＜0.05);老年组单次吞咽消耗一半能量所需时间为(0.43±0.24)s,显著长于青年组[(0.38±0.19)s],差异有统计学意义(P＜0.01),但该时间占吞咽音长的比例在青年组[(48.30±28.20)％]和老年组[(49.00±29.90)％]之间差异无统计学意义(P=0.6859).rn 结论：与青年人相比,老年人的自发吞咽频率明显减少,吞咽音明显延长.

摘要： 目的：对比分析青年人和老年人的自发吞咽音特征.rn 方法：健康受试者100例,分为青年组(19～30岁)和老年组(60～85岁),每组50例(男女各25例).2组研究对象均测量颈围(绕甲状软骨水平的颈部周径)和体重指数(BMI).在甲状软骨以下气管左侧检测自发吞咽音20min,采用RavenPro1.5.0进行吞咽音切分、标注和吞咽声学指标测算,包括每分钟自发吞咽频率(SPM)、吞咽音长、能耗、半耗能时长及半耗能时长占比,使用R3.4.0进行统计分析.rn 结果：青年组的平均颈围(34.31±3.45)cm,与老年组[(33.95±3.00)cm]比较,差异无统计学意义(P=0.5789);青年组的BMI为(21.97±2.65)kg/m2,低于老年组[(23.43±2.89)kg/m2],组间差异有统计学意义(P=0.0219).老年组的SPM为(0.39±0.34)次/min,显著少于青年组[(0.91±0.51)次/min],且组间差异有统计学意义(P＜0.01);老年组的吞咽音长为(0.92±0.29)s,显著长于青年组[(0.84±0.26)s],且组间差异有统计学意义(P＜0.01);老年组单次吞咽消耗的能量为(76.88±9.82)dB,显著高于青年组[(75.43±8.93)dB],差异有统计学意义(P＜0.05);老年组单次吞咽消耗一半能量所需时间为(0.43±0.24)s,显著长于青年组[(0.38±0.19)s],差异有统计学意义(P＜0.01),但该时间占吞咽音长的比例在青年组[(48.30±28.20)％]和老年组[(49.00±29.90)％]之间差异无统计学意义(P=0.6859).rn 结论：与青年人相比,老年人的自发吞咽频率明显减少,吞咽音明显延长.

摘要： 目的：对比分析青年人和老年人的自发吞咽音特征.rn 方法：健康受试者100例,分为青年组(19～30岁)和老年组(60～85岁),每组50例(男女各25例).2组研究对象均测量颈围(绕甲状软骨水平的颈部周径)和体重指数(BMI).在甲状软骨以下气管左侧检测自发吞咽音20min,采用RavenPro1.5.0进行吞咽音切分、标注和吞咽声学指标测算,包括每分钟自发吞咽频率(SPM)、吞咽音长、能耗、半耗能时长及半耗能时长占比,使用R3.4.0进行统计分析.rn 结果：青年组的平均颈围(34.31±3.45)cm,与老年组[(33.95±3.00)cm]比较,差异无统计学意义(P=0.5789);青年组的BMI为(21.97±2.65)kg/m2,低于老年组[(23.43±2.89)kg/m2],组间差异有统计学意义(P=0.0219).老年组的SPM为(0.39±0.34)次/min,显著少于青年组[(0.91±0.51)次/min],且组间差异有统计学意义(P＜0.01);老年组的吞咽音长为(0.92±0.29)s,显著长于青年组[(0.84±0.26)s],且组间差异有统计学意义(P＜0.01);老年组单次吞咽消耗的能量为(76.88±9.82)dB,显著高于青年组[(75.43±8.93)dB],差异有统计学意义(P＜0.05);老年组单次吞咽消耗一半能量所需时间为(0.43±0.24)s,显著长于青年组[(0.38±0.19)s],差异有统计学意义(P＜0.01),但该时间占吞咽音长的比例在青年组[(48.30±28.20)％]和老年组[(49.00±29.90)％]之间差异无统计学意义(P=0.6859).rn 结论：与青年人相比,老年人的自发吞咽频率明显减少,吞咽音明显延长.

摘要： 一种声学传感器系统(68)，包括第一多个声学传感器(6，8，10，12，14，16)和被构造为生成声学噪声(20)以模仿由于电传导故障(22，24，38)而引起的声学噪声的声学发射器(18)。第一多个声学传感器的较少第二数量的声学传感器(6；8；8，14，16)被构造为在具有多个电接头(61)的电分配系统(2)中识别多个位置(26，28，70，72)，以便较少第二数量的声学传感器能够监测电分配系统的多个电接头。

摘要： 一种声学传感器系统(68)，包括第一多个声学传感器(6，8，10，12，14，16)和被构造为生成声学噪声(20)以模仿由于电传导故障(22，24，38)而引起的声学噪声的声学发射器(18)。第一多个声学传感器的较少第二数量的声学传感器(6；8；8，14，16)被构造为在具有多个电接头(61)的电分配系统(2)中识别多个位置(26，28，70，72)，以便较少第二数量的声学传感器能够监测电分配系统的多个电接头。

摘要： 本发明实施例提供一种词声学特征系统的训练方法。该方法包括：将词声学特征系统输出的词声学特征，与音素编码器输出的音素特征序列拼接，得到带有词声学特征的音素特征序列，与实际韵律特征拼接，得到带有韵律与词声学特征的音素特征序列；调节编码长度，加入音高与能量特征后，进行解码，得到预测梅尔频谱；基于实际梅尔频谱与预测梅尔频谱对词声学特征系统进行训练。本发明实施例还提供一种词声学特征系统以及一种词声学特征系统的训练系统。本发明实施例利用训练的词声学特征系统得到不但具有词义，而且还具有发音的词声学特征，并且通过对词声学特征系统不断的训练，使词声学特征更加准确，从而在语音合成时进一步提升语音合成的质量。

摘要： 本发明提供了一种基于声学特征与文本情感特征融合的端到端语音合成方法及系统，构建了端到端语音合成模型，可以根据音素序列的嵌入向量获得文本的韵律隐特征，进行音素与Mel频谱对齐，通过声学编码器从中分别获取音素级和句子级别的声学特征，并在声学特征中加入隐特征，与此同时从文本中获取文本情感特征；再次将声学特征与文本情感特征进行特征融合，输入到FastSpeech2的方差适配器进行特征增强与扩充；最后将方差适配器的输出输入到FastSpeech2的Mel解码器实现并行解码，得到合成语音的频谱图；使用声码器将频谱图特征映射为声音波形，得到合成的语音。本发明在保证效率的同时可以提高语音合成的自然度。

摘要： 本发明实施例提供一种词声学特征系统的训练方法。该方法包括：将词声学特征系统输出的词声学特征，与音素编码器输出的音素特征序列拼接，得到带有词声学特征的音素特征序列，与实际韵律特征拼接，得到带有韵律与词声学特征的音素特征序列；调节编码长度，加入音高与能量特征后，进行解码，得到预测梅尔频谱；基于实际梅尔频谱与预测梅尔频谱对词声学特征系统进行训练。本发明实施例还提供一种词声学特征系统以及一种词声学特征系统的训练系统。本发明实施例利用训练的词声学特征系统得到不但具有词义，而且还具有发音的词声学特征，并且通过对词声学特征系统不断的训练，使词声学特征更加准确，从而在语音合成时进一步提升语音合成的质量。

摘要： 本发明提供了一种建立声学特征提取模型的方法、提取声学特征的方法、装置。其中建立声学特征提取模型的方法包括：将从各用户标识对应的语音数据中分别提取的第一声学特征，作为训练数据；利用所述训练数据训练深度神经网络，得到声学特征提取模型；其中所述深度神经网络的训练目标为：最大化相同用户的第二声学特征之间的相似度且最小化不同用户的第二声学特征之间的相似度。本发明的声学特征提取模型能够自学习到达到训练目标的最优声学特征。相比较现有预设特征类型和变换方式的声学特征提取方式，实现更加灵活，准确性更高。

摘要： 本发明公开了一种基于声学特征和视觉特征融合的生猪咳嗽声音识别方法，包括：对语料库中生猪的咳嗽声和非咳嗽声的声音片段进行声学特征提取，并将生猪的咳嗽声和非咳嗽声的声音片段分别转换为频谱图进行视觉特征提取；从特征选择和特征处理两个方面对提取出来的特征进行降维处理并进行融合，将融合的特征输入机器学习的分类模型中，实现对生猪咳嗽声音的识别。本发明分别从声音信号中直接提取声学特征和由声音信号转化的时频图提取视觉特征，将两种不同维度下的特征进行融合，相比于常规的声音识别方法，该方法可有效提升咳嗽声音和整体识别精度。

摘要： 本发明提供了一种基于声学特征与文本情感特征融合的端到端语音合成方法及系统，构建了端到端语音合成模型，可以根据音素序列的嵌入向量获得文本的韵律隐特征，进行音素与Mel频谱对齐，通过声学编码器从中分别获取音素级和句子级别的声学特征，并在声学特征中加入隐特征，与此同时从文本中获取文本情感特征；再次将声学特征与文本情感特征进行特征融合，输入到FastSpeech2的方差适配器进行特征增强与扩充；最后将方差适配器的输出输入到FastSpeech2的Mel解码器实现并行解码，得到合成语音的频谱图；使用声码器将频谱图特征映射为声音波形，得到合成的语音。本发明在保证效率的同时可以提高语音合成的自然度。

摘要： 本发明公开了一种基于深度特征与声学特征寻优融合的语音情感识别方法，提出采用遗传算法对深度瓶颈特征和声学特征进行寻优融合的方法来实现高鲁棒性语音情感识别的方法，克服了现有语音情感识别方法的不足。该方法与传统基于单一深度特征或声学特征的语音情感识别方法相比较，本发明可以从不同的层次挖掘丰富的语音情感信息，对语音情感信息进行更加全面地描述，从而使得系统的识别率更高，系统鲁棒性得到进一步提升，可以很好地应用于智能人机交互中。

摘要： 本发明公开了一种融合声学特征和发音运动特征的发音评估方法和系统，其通过采集音频数据和发音运动数据，并对所述音频数据提取声学特征，对所述发音运动数据提取发音运动特征，根据时间对应关系将所述声学特征和所述发音运动特征进行特征融合和策略融合，有效利用两类特征的互补性，保证评价的客观性和全面性，从而得到更准确、更可靠的特征融合评估结果和决策融合评估结果，使得发音评估更加客观准确。