语谱图

摘要： 为了提高声纹识别技术的识别性能,将DenseNet应用于语谱图实现声纹识别,从提高网络的运算效率和增强声纹特征的表征能力2个方面对DenseNet进行优化,提出采用深度可分离卷积来减少网络的参数量,以及增加中心损失函数项来提高声纹特征的表征能力。从训练结果可以看出,通过深度可分离卷积,网络的参数量减少了25.5%,模型大小减少了24.6%;从仿真结果可以看出,中心损失项的增加使声纹特征的聚类效果更加明显,提高了声纹特征的表征能力。因此,改进后的DenseNet在语谱图声纹识别领域取得了好的识别效果。

摘要： 语谱图主要用于研究语音信号不同频段的信号强度随时间变化的关系。分析语谱图时,需要利用Python语言和相关库进行仿真,得到语音信号的伪彩色映射并将结果直观地显示出来,便于进一步分析、研究语音信号的特征。本文讨论语音信号的声学基础和有关特征,分析语音信号处理的发展及应用,用声卡采集湖南三个地方的方言语音信号,利用Python语言对方言语音信号语谱图进行显示,分析不同汉语方言之间的差异。该方法具有编程简单、相关功能库丰富、对设备要求低、显示结果直观等特点,为分析处理不同地区的方言语音信号提供了一种简洁高效的方法。调用Python进行仿真,能清晰地分辨出宽带信号与窄带信号的不同特性,因此可通过对频谱图的分析来识别不同地方的方言。

摘要： 为了解决高校深度学习教学活动中缺乏实际案例演示的问题,设计了利用卷积神经网络(CNN)进行鸟声识别的实验。对已有常见鸟声数据库中的鸟鸣声音频进行梅尔倒谱系数(MFCC)特征提取,利用短时傅里叶变换(STFT)结果绘制出STFT语谱图,利用Python在TensorFlow框架下构建卷积神经网络的鸟声识别系统。实验过程中既可利用MFCC和STFT语谱图中2种特征参数分别在各自训练好的网络模型下进行对比实验,也可作为创新性实验,由学生自行编程设计CNN模型实现鸟声识别,通过识别结果验证模型的优劣。

摘要： 随着国家全面二孩政策的开放,婴幼儿的监护面临着巨大挑战,基于信息通信技术的婴幼儿监护系统受到广泛关注和应用,通过对婴幼儿的啼哭声进行情绪识别显得尤为重要。文章基于语谱图的婴啼特征分析与识别算法,可对婴幼儿在不同情况下包括睡醒、换尿布、要拥抱、饥饿、要睡觉、不舒服进行特征分析和识别。结果表明,婴幼儿在各种状态下的哭声语频谱都有明显差异,在语谱图的形态、哭声基频、第一共振峰的频率等方面均有显著不同,实现对婴幼儿不同情绪状态的识别。文章提出的算法可极大增强婴幼儿监护系统中的婴啼情绪识别功能。

摘要： 为更有效地对低资源少数民族语言进行语音识别研究,提出一种SE-Block与Inception_Resnet_v2相结合的深度神经网络模型。该模型引入Inception结构提取语谱图特征,同时引入SE-Block增强网络对特征维度的信息通道选择能力,优化网络性能。实验结果表明,相比其他主流模型,该模型在提高模型精度与训练收敛速度的同时,增强了网络的整体学习能力。实验在佤语数据集上取得良好的学习效果,验证了该模型在数据样本数量有限的低资源少数民族语音识别中的高效性。

摘要： 随着语音识别和自然语言处理技术的成熟,智能语音技术逐步落地到各行各业,但目前智能语音产品缺乏情感的交互,未实现真正的智能。为了提升智能语音产品的拟人性,学术界对语音情感识别的研究热度越来越高,但是多局限在使用传统特征工程以及通用深度学习模型上。在应用深度学习模型的基础上引入注意力机制对语音情感识别展开研究,选用语谱图作为输入特征,并对CNN输出的特征进行通道维度的注意力关注,分析注意力计算过程中不同池化方式对识别结果的影响,并引入残差,提升模型表现力,最终UA实现了2.83%的提升。

摘要： 在目前油田生产信息化系统条件下,中心控制室对抽油机设备的故障监控、发现与预警的手段和方法较少,仅能通过视频的方式进行巡回检查。针对当前现状,开展抽油机故障音频及预警技术研究与应用,利用物联网、机器学习、大数据分析等技术,实现连续性的设备监控,及时、精准地发现和诊断抽油机机械故障并预警,避免机械事故的发生,减轻员工的劳动强度,提高设备信息化管理水平。

摘要： 随着网络音乐产业的快速发展,构筑音乐自动检索和分类系统的需求日益增加。利用计算机对音乐流派进行正确标注是实现音乐类型精准分类和保障音乐推荐系统性能的重要前提。针对卷积运算不具备提取全局表征的能力,深度卷积神经网络对音乐流派数据的全局建模能力较弱的问题,提出了一种基于视觉变换(ViT)神经网络的音乐流派自动分类方法。该方法对待分类的音频进行预处理后,利用短时傅里叶变换(STFT)转化为尺寸统一的语谱图切片,实现音乐频域特征的转换。为了避免训练过拟合,通过增加白噪声对语谱图切片集进行数据增强。然后利用所生成的语谱切片集及其增强后的数据集对所构建的ViT神经网络进行训练,从而实现音乐流派风格的自动分类。仿真结果表明,所构建的ViT网络在音乐流派分类公共数据集GTZAN上的测试识别准确率达到91.01%,比基于AlexNet、AlexNet-enhanced和VGG16等传统卷积神经网络(CNN)的音乐流派分类方法提升了1.00~5.00个百分点。

摘要： 本文通过介绍广播电台日常业务工作中的广播信号监测技术,结合当前广播信号监测技术手段以及其存在的缺点、发展方向,通过语音信号监测技术与广播信号监测工作相结合,提出了基于调制频谱的广播信号监测方法。

摘要： 音频的应用现已遍及家庭生活,社会宣传以及一些司法的领域,但随着语音合成技术的不断发展,音源数据的采集和开发,现实网络中已出现多种合成音,因此音频的真实性已无法得到充分的保证。针对音频在发生篡改、拼接等情况时,在语谱图的基础上,对音频信号进行音频取证,提出一种通过Python对音频信号进行预处理,分帧、加窗,并计算统计每一帧中的高频分量占比,通过分析占比波形来达到音频篡改检测的目的,验证音频的真实性和可靠性。

摘要： 汉语方言分区研究是语言学的重要组成部分.鉴于传统基于词汇和语法的人工方言分区方法具有一定的主观性,该文研究了如何有效利用语音本身特征进行方言的自动分区.该文首先构建了江西省11个省辖市,91个下辖县级行政区的时长约1500分钟的1223条语音语料库.然后在传统的MFCC语音特征提取基础上,提出了基于CNN的自编码降维语谱图的深度学习特征提取模型,对降维后的语音特征分别采用k均值算法聚类、高斯混合聚类和层次聚类对方言自动分区.实验结果表明新型语谱图特征的聚类性能量度内部指标DBI指数以及DI指数显著优于传统MFCC特征,维度为16时语谱图和MFCC下的拼接特征聚类效果和传统人工方言分区较为接近.

摘要： 声音和图像分别是听觉和视觉两种模态接收的输入信息,在数字信号处理领域有着各自不同的处理方法.将图像的处理方法运用到声音上,这种跨模态处理方法为视听交互和融合的相关研究提供分析思路,激发新的数字信号处理方法.已经有不少研究将图像处理的特征用于声音信号的分类.本文则提出了一种基于语谱图图像处理的语音增强方法,通过对带噪语音的语谱图进行灰度变换,可以有效滤除噪声,达到语音增强的目的.

摘要： 由于自然界中各种噪声的存在,在实际的语音采集和传递过程中不可避免会受到干扰,对语音的去噪技术研究在现实生活中有很重要的意义.双边滤波是由Tomasi和Manduchi提出来的一种非线性图像滤波算法,它不仅利用了邻域内像素点的空间邻近度信息,还借助了灰度相似度信息,使得该算法能够在有效地平滑掉噪声的同时最大限度的保持图像边缘信息,获得了良好的图像增强效果.双边滤波在许多计算机视觉和图像应用非常普遍.最近也有研究者将类似的引导滤波用于语音去混响,取得了较好的效果,开拓了此类算法在语音信号处理中的应用.目前尚未有文献研究将双边图像滤波技术用于语音去噪.本文提出运用双边滤波技术处理语音信号的语谱图来实现语音去噪,并进行多种噪声环境下的性能评估.

摘要： 声音和图像分别是听觉和视觉两种模态接收的输入信息,在数字信号处理领域有着各自不同的处理方法.随着对视听交互的心理感知及其神经机理研究的逐渐兴起,信号处理方法的跨模态应用也开始受到关注,声音(图像)的处理方法被创造性地运用到图像(声音)对象上去.这种声音—图像的跨模态处理方法能够为视听交互和融合的相关研究提供有价值的分析思路,同时也可以激发新的数字信号处理方法.对目前已有的声音—图像跨模态处理方法的研究成果进行了概述,进行了简要分析并指出其特点,同时提出了一种将语谱图图像处理用于语音增强的新方法.

摘要： 目前声纹鉴定技术在案件侦破工作中的应用逐渐成为提高办案效率的重要手段和途径之一,但是由于送检的语音大多受到噪声干扰和污染,大大降低了声纹鉴定结果的准确性和稳定性,尤其是低信噪比的语音,根本无法鉴定.针对这一问题,使用基于最佳短时谱估计的语音增强算法进行声纹鉴定预处理,抑制背景噪声,改善语音质量.实验结果证明,该算法提高了信号的信噪比、可懂度;从语谱图上分析,还原出更多信号的有用信息.该算法在恶劣的噪声环境下稳健性强,提高了声纹鉴定结果的正确性.

摘要： 本文对车辆音频信号在倒频域和时-频域进行了特征分析和研究，在倒频域研究了车辆音频信号的MFCC参数，在时-频研究了车辆音频信号的语谱图，对信号进行了小波分析。将提取的语谱图参数和两层MFCC参数运用到了车型识别中，取得了良好的效果。

摘要： 共振峰和谐波成分是语音的一个典型特征。因为语音和环境的多变性，采用普通的方法提取这些特征存在很多困难。本文提出了一种在窄带语谱图上通过图像增强的方法，求取谐波成分的分布区域，最后求取这些区域内的能量总和，得到共振峰谐波能量参数。把共振峰谐波能量参数作为特征构建语音和端点检测系统。实验表明这个特征不但能抑制高能量突发噪声，而且在非平稳噪声背景下的语音检测也表现出了优秀性能。

摘要： 在早期的数字的语音识别中，2与8经常容易混淆，被称为一个难题。本文通过人对2与8的语音学特征的辨识和各种听辨实验，分析了不同的语音学特征在2与8识别中的作用，说明语音学的特征知识在语音识别中具有重要的应用前景。

摘要： 在早期的数字的语音识别中，2与8经常容易混淆，被称为一个难题。本文通过人对2与8的语音学特征的辨识和各种听辨实验，分析了不同的语音学特征在2与8识别中的作用，说明语音学的特征知识在语音识别中具有重要的应用前景。

摘要： 在早期的数字的语音识别中，2与8经常容易混淆，被称为一个难题。本文通过人对2与8的语音学特征的辨识和各种听辨实验，分析了不同的语音学特征在2与8识别中的作用，说明语音学的特征知识在语音识别中具有重要的应用前景。

摘要： 本发明属于鸟类物种数量分析技术领域，具体涉及一种基于倒谱语谱图的鸟类物种数量的获取方法，该方法包括：实时采集监测点的鸟鸣声信号，作为鸟鸣声数据；对采集的鸟鸣声数据进行倒谱分析，获得倒谱语谱图；根据不同物种的鸟鸣声具有不同的倒谱特征，利用获得的倒谱语谱图，获取不同的倒谱语谱图形状；根据获取的不同的倒谱语谱图形状，获取鸟类物种的数量。

摘要： 本发明属于人工智能、语音处理和情感计算领域，具体涉及一种基于语谱图的语音情绪识别方法，该方法包括：实时获取语音信号，将语音信号转化为语谱图；将语谱图输入到训练好的语音情绪识别模型中，识别语音情绪；所述语音情绪识别模型包括基于注意力机制的残差神经网络和长短时记忆神经网络LSTM；发明提出把神经网络和注意力模型结合在一起，可以更高效地学习到语谱图中语音能量值的有效特征，以提高语音情绪识别的正确率。

摘要： 本发明公开了一种基于语谱图提取深度空间注意特征的语音情感识别方法，采用以下步骤完成：步骤a：对已标注指定情感标签的标准情感数据库中的语音进行预处理，生成语谱图；步骤b：将所述语谱图送入AItti模型提取SEF特征；步骤c：将所述语谱图送入语音情感模型提取浅层特征；步骤d：将所述SEF特征和所述浅层特征作为输入，送到CSWNet中，生成标定权重特征；步骤e：将所述标定权重特征送入CRNN之后的网络层，提取深度情感特征，通过Softmax分类器进行情感分类，生成最终分类结果。本发明所述方法相比于传统模型，在少量增加模型复杂度的前提下，平均识别率提升了8.43％，非同类情感区分效果明显，兼具良好的泛化性。

摘要： 本发明公开了一种基于声信号语谱图纹理分布的声特征提取方法。本发明包括如下步骤：步骤1：将采集到的声音信号预处理。步骤2：将增强的声音信号以语谱图的形式输出。步骤3：将彩色语谱图转换成灰度图。步骤4：将灰度图二值化处理，转换成对应的二值图。步骤5：根据转换后的二值图纹理分布特征提取相应特征数据。步骤6：通过分类器对提取到的声信号进行训练建模分类。本发明对于远距离声信号，通过本方法提取的特征其识别率有所提高。在复杂噪音环境下通过本方法提取到的声特征能有效的与噪音信号区分开。

摘要： 本发明属于鸟类物种数量分析技术领域，具体涉及一种基于倒谱语谱图的鸟类物种数量的获取方法，该方法包括：实时采集监测点的鸟鸣声信号，作为鸟鸣声数据；对采集的鸟鸣声数据进行倒谱分析，获得倒谱语谱图；根据不同物种的鸟鸣声具有不同的倒谱特征，利用获得的倒谱语谱图，获取不同的倒谱语谱图形状；根据获取的不同的倒谱语谱图形状，获取鸟类物种的数量。

摘要： 本申请公开了一种语谱图的处理方法、装置、电子设备及存储介质，该方法包括：在目标音频的语音识别结果中进行指定内容搜索，确定指定内容所对应的音段在目标音频中的时间位置信息；根据时间位置信息，在目标音频的语谱图中确定候选音段对应的至少两个分段语谱图；在同一画布中显示至少两个分段语谱图，其中，画布中设有多个显示窗口，每一显示窗口用于显示一分段语谱图，每一所述显示窗口对应的显示参数可以单独进行调整。本申请将指定内容对应的至少两个分段语谱图在同一画布中的多个显示窗口中分别进行显示，用户根据需要单独调整显示窗口的显示参数，以保证分段语谱图的显示效果，便于用户进行分段语谱图比对。

摘要： 本申请公开了一种语谱图的显示处理方法，涉及语音识别技术领域。该方法包括：获取待处理音频对应的原始语谱图以及文本信息；显示所述原始语谱图以及所述文本信息；响应于选择的所述文本信息中的指定文本的语谱图查看指令，获取与所述指定文本对应的语谱图，作为待查看语谱图；按照指定调整参数，对所述待查看语谱图进行调整，并对调整后的所述待查看语谱图进行显示。如此，将待查看语谱图调整至合适大小在进行显示，方便鉴定人员对语谱图的比对分析，进一步提高了身份辨别的效率及准确性。

摘要： 本发明提供一种基于声音语谱图的智能分句方法、计算机装置及存储介质，该方法包括：获取待分句语音数据，将待分句语音数据转化成待分句频谱图数据；根据待分句频谱图数据识别频谱静音段；获取频谱静音段之前第一预设时长的前置频谱和频谱静音段之后第二预设时长的后置频谱，将前置频谱和后置频谱组合成待识别频谱图；利用预设分类模型对待识别频谱图进行识别，确认频谱静音段的停顿类别；根据停顿类别对语音文件进行句子分割。应用本发明基于声音语谱图的智能分句方法可有效提升语音分句准确度。

摘要： 本发明提供一种基于语谱图的语音情感识别方法，包括：获取语音信息并对语音信息按预设分割方式进行分段处理，得到多个语音片段；其中，各个语音片段之间具备时序关系；对各个语音片段分别进行数据预处理；对数据预处理后的各个语音片段，获取各个语音片段对应的语谱图；将所获取的语谱图输入至情感识别模型，得到语音情感识别结果；也即，将得到的语谱图输入到深度卷积神经网络进行深层情感特征的学习并在此基础上通过长短期记忆网络捕获不同语音片段之间的上下文关系，最终实现对输入语音的情感的识别；同时，通过情感识别模型实现了更好地建模语音上下文之间的时序关系。

摘要： 本发明公开了一种声纹欺诈检测方法，将能量谱经由Q‑DCT和Q‑IDCT平滑处理的重构群延迟‑常数Q变换(以下称为RGD‑CQT)语谱图特征进行检测语音欺诈攻击的方法，解决了欺诈语音特征区分性不强及欺诈语音检测系统错误率高的问题。在训练时，先对语音序列进行填充或截取操作，进而将语音序列的每一位与索引序号加一的值进行相乘，获得新的语音序列。将两个语音序列分别进行常数Q变换(CQT,constant Q transform)，获得两个语谱图X和Y。分别提取两张语谱图的实部和虚部，对语谱图X进行Q‑DCT和Q‑IDCT，之后进行修改的群延迟的计算，最后进行归一化和取对数得到最终的语谱图。将其作为resnet18+cbam网络的输入；然后通过交叉熵损失和Adam优化器训练出一个最优的网络模型作为用于测试的模型。最终根据网络模型的分数，如果分数大于0则认为是真实语音，反之，则判断为欺诈语音。