语音识别技术及应用

语音识别技术近年来得到了飞速的发展并且在越来越多的领域得到了广泛的应用。隐马尔可夫模型(HMM)语音识别技术是一种基于训练数据提供的概率自动构造识别系统的技术,主要用于大量词汇的语音识别,而且具有良好的识别性能和抗噪性能。因此,一般的语音识别系统都采用基于HMM的识别方法作为其基本算法。本文列举了语音识别在教学中的应用示例来分析其基本算法。     

连续数字语音识别系统的定点DSP实时实现

针对各种连续数字语音信号，实现了一种基于TMS320C5x评价模块(EVM)和定点数字信号处理器ADSP2181的与特定人无关的连续数字语音识别系统。在分析了连续概率密度的隐马尔可夫模型(CDHMM)基础上，利用LPC倒谱系数、LPC差分倒谱系数、能量归一化系数及其差分系数作为语音特征矢量，训练和识别采用Viterbi算法和Baum-Welch重估算法，并利用ADSP2181实现语音识别的算法。有效地提高了系统的识别率。给出了实现各个阶段所需的时间，比较了不同语音特征参数对识别率的影响。在具体实现中，着重处理了抗噪、定点实时实现及连续数字串识别人的身份等问题。实验结果表明，本系统在普通环境下取得较满意的效果，正确识别率达到93．2％，为其实用化提供了较为重要的技术途径。     

朝鲜语紧急呼叫号码的语音识别系统研究

朝鲜语是我国目前适用范围较为广泛、使用人口较多的一种少数民族语言。朝鲜语紧急呼叫号码的语音识别软件,采用语音命令来呼叫号码,能够准确识别拨叫号码,在特定场合可以起到至关重要的作用。将语音控制指令范围设定为报警求助、火警等词汇的识别中,实现了朝鲜语紧急呼叫号码语音识别系统的软件算法部分。通过对信号处理的每个步骤和朝鲜语数字连读问题进行深入分析及研究,选择DTW(动态时间弯曲)算法作为该软件的核心算法。Matlab实验结果表明,采用的语音识别过程及算法可以准确地对录制的朝鲜语紧急呼叫号码进行识别。     

一种语音端点检测算法在DSP上的实现

介绍了一种对背景噪音进行动态估计的汉语语音端点检测算法,较一些常规的端点检测方法如基于能量的端点检测方法,具有更高的精度和鲁棒性．并用TI的TMS320VC5410 DSP来实现一个带端点检测的语音识别系统．通过进行汉语孤立词语音识别实验,表明这种算法是有效的,能得到较高的识别率．     

汉语语音识别中区分性声调模型及最优集成方法

提出了2种解决汉语语音识别中声调问题的方法:利用区分性方法对基于隐马尔可夫模型(HMM)的声调模型进行训练;提出将区分性训练的声调模型加入大词汇量连续语音识别系统的最优方法,该方法根据最小音子错误的训练准则以及利用扩展Baum-Welch算法区分性训练与模型相关的概率权重,对声学模型以及声调模型概率进行加权.实验结果表明区分性训练的声调模型能够显著地提高连续语音声调识别率以及大词汇量语音识别系统的识别率,同时区分性的模型权重训练能够在区分性声调模型加入连续语音识别系统之后进一步提高系统的识别性能.     

基于CAN总线和语音识别的智能家居控制系统的设计

设计了一种基于CAN总线和语音识别的智能家居控制系统。主要介绍了系统硬件设计,包括语音识别系统、CAN接口设计和基于公共电话网的远程控制接口设计等,并简述了系统的软件设计。该系统实现了家居进行特定人语音识别控制不受空间限制,达到任意点集中家电管理的目的,具有很好的应用前景。     

基于单类支持向量机的稳健语音端点检测

可靠的语音端点检测算法是稳健语音识别系统所必须的。针对现有算法在噪声环境下的稳健性问题,提出了基于单类SVM(Support Vecfor Machine)的端点检测算法。通过对多特征信息进行在线学习与综合,以及采用双层决策机制,有效提高了语音检测的稳健性。实验表明,算法在多种噪声环境和信噪比条件下有效,明显提高了语音识别系统在噪声环境下的识别率。     

基于半监督判别分析的语音情感识别(英文)

将基于多个嵌入图组合形式的半监督判别分析(SDA)以及核SDA(KSDA)应用于全监督的语音情感识别.在语音信号样本情感成分的预处理阶段,从样本语段中提取出多种特征及其统计参数,包括基音、过零率、能量、持续长度、共振峰和MFCC(Mel频率倒谱系数).在将样本特征送入分类器之前的维数约简阶段,使用经过参数优化的SDA或KSDA进行降维.Berlin语音情感数据库上的实验表明,在使用多类SVM分类器时的全监督语音情感识别中,SDA优于其他一些先进的基于谱图学习的维数约简算法,如LDA,LPP,MFA等,而KSDA通过核化的数据映射,能够取得比上述所有算法更好的识别效果.     

基于HMM语音识别的FPGA实现

采用软硬件协同设计的方法,搭建了一个高效地基于隐马尔可夫模型（Hidden Markov Model,HMM）语音识别的FPGA实验验证平台。结合FPGA结构特点,直接使用加法器、乘法器、比较器等建立一个Viterbi算法结构,采用改进的方法计算Viterbi得分和预计算逻辑实现了一种简单的基于HMM的语音模板匹配。实验表明该实现方案是切实可行的,FPGA实验验证平台有利于资源复用,减少工作量,并易于调试,为语音识别其他功能模块的嵌入炎设计打下良好基础．     

基于HTK的汉语数码语音识别系统,

HTK(是一套专门用于建立和处理删的语音处理工具箱,主要应用于语音识别领域,也可用于语音合成、字符识别、模拟DNA排序等多个领域.本文结合隐马尔可夫模型(HMM)原理,利用HTK(HMM ToolKit)语音处理工具箱,实现了汉语数码语音识别系统.实验表明,该系统具有较好的语音识别率,且便于进行二次开发.