细化“命题说话”评分标准 保证PSC的公平公正

全国部分省市所制定的《计算机辅助普通话水平测试评分细则》,"命题说话"题的评分细则中有些项目分歧较大,主要包括:语音标准程度的量化指标、失误字计量方法;词汇、语法规范程度的对词汇、语法不规范所指;缺时扣分起点、扣分缺时区间等方面。在实践中,需要对"语音失误"和"语音错误"做明确界定,对一些模糊性评分项做出明确规定,对量化方法及相应数值做详细规定。     

从方言与普通话的对应关系看说话项的语音面貌归档

在普通话水平测试中，测试员对第四题“说话”项的语音面貌归挡的正确与否，直接影响到测试评分是否公正合理，而只有对语音错误类型进行准确定位，才能对语音面貌进行正确的归挡。本文试图通过分析方言与普通话的一些对应关系，找到一种更科学的、探作性更强的方法，使语音归档更清楚、合理、便捷。测试评分更准确、快速、稳定。     

有关在移动通信中语音质量评估体系—MOS值的探讨

对语音质量评估体系中的MOS评分方法进行了原理探讨,并结合具体的测试实验分析了GSM体系中不连续发射、功率控制、切换、编码方式等功能对语音质量MOS值的影响.     

汉语语音评分系统的设计与实现

作为语言学习的重要组成部分之一,发音学习是人与人之间互相交流的基础。该文分析了传统语音教学及其评价方式的不足,以梅尔频率倒谱系数作为参数进行特征提取,用隐马尔可夫声学模型和音素后验概率算法将测试语音与标准语音进行比对,从而找出二者之间的差异程度,通过评分机制得到分数。实验结果表明,该系统能提高说话者学习语音的积极性,其评分结果与教师的主观感觉相一致,具有一定的实用性和可操作性。     

普通话规范与语音正误评定

普通话水平集中体现在语音规范程度上。因此,语音的测试占有相当大比重,它明显多于词汇、语法。语音评定贯穿于水平测试的始终,在量化评分中起主导作用。对于一个测试员来说,正确把握和理解普通话语音规范是保证测试科学化的关键。普通话是一种规范程度极高     

PSC“说话”项“语音面貌”的归档

普通话水平测试(PSC)“说话”项“语音面貌”归档的正确与否,直接影响到应试人的普通话等级。测试实践证明要准确地对“语音面貌”进行归档,就必须采取定量与定性相结合的评分办法。先对应试人的“语音失误”进行分类记录,然后根据其成系统的“语音错误”和“语音缺陷”的种类,判定“方音成分”的轻重程度。这样就可以根据对量的分析,作出定性的,也比较合乎实际的判断,使“语音面貌”的归档具有科学性。     

传统英语口语测试手段的弊端及其改进

传统的英语口语测试手段虽有其优点,但也存在不少弊端:测试时间过长,教师出卷较难,忽视交际能力,学生心理紧张以及评分缺乏科学性。如采用语音实验室设备进行口试不失为克服这些弊端的一个切实可行的方法。     

基于MATLAB语音信号处理一体化方法分析构建

随着语音信息应用重要性突显,语音信息的分析方法是当前计算机应用的一个热点。通过随机采集的语音数据,分析语音数据信息,可以寻求一种"一体化"语音数据分析方法,对清音和浊音进行实验论证,与其它语音数据方法比较,能更好分析语音数据。     

PSC朗读评分中的语音缺陷问题

在2002年12月《普通话水平测试大纲》修订工作征求意见稿中，我们发现它增加了对短文朗读中语音缺陷扣分的规定。短文朗读中的“语音缺陷”在《普通话水平测试大纲》现行评分标准中一直处于被忽视的地位。笔者同意征求意见稿的观点，对短文朗读中存在的“语音缺陷”应该扣分。短文朗读中存在的“语音缺陷”不能归入语音错误，也不能把它们划入“方言语调”的范围，应该把它们并入“方言色彩”的测试中。为此，笔者提出了短文朗读里语音缺陷的评分办法．     

四川方言区声母系统语音缺陷的判断与认定

普通话的推广和使用已经数十年了,普通话测试工作也已有十多年的历史。在使用和测试的过程中,一些虽可借助语境勉强听辨,但听辨起来似是而非,欠缺美感的缺陷音会影响到语音的规范和纯洁,影响语音面貌和普通话水平等级测试的成绩。四川方言虽属于北方方言区,但和北京语音相比,差异很大。本文就普通话等级测试中四川方言区声母缺陷发音进行分析,找出与普通话规范语音的差别,指出克服办法,有利于学习普通话的人群准确掌握普通话规范语音;有利于普通话水平等级测试人员了解缺陷音现象和类别,准确判断和识别缺陷音,准确评分。     

基于离散变换域的语音合成算法研究

提出了一种在离散变换域中合成语音信号的方法,建立语音线性预测模型,对语音信号分帧、加窗,然后进行线性预测和基音周期的提取,进而模拟重构语音信号。实验表明,该方法易于实现,可操作性强,重建的语音信号还原的声音精度高,并能节省信号传输的带宽,相比以往的方法更能方便、准确的重构合成语音信号。     

基于CHMM的高性能连续数字语音识别算法

介绍了一种基于连续隐马尔可夫模型(CHMM)的汉语连续数字语音识别算法,该识别算法以MEL频率倒谱系数(MFCC)为主要语音特征参数,采用切割-识别方案。在此框架下,本文提出了变时窗的连续数字切割算法,并且结合了声调信息,因此最终连续数字语音识别率达到了90％以上。     

语音信息中的基音参数检测算法分析

给出了加窗语音的新倒谱模型，提出了基于语音LPC预测残差的倒谱基音周期检测算法(LP—CEP法)，该算法在倒谱计算中采取高频分量置零的新措施。仿真研究结果表明，该算法相对于传统倒谱基音检测算法(CEP法)，无论是对不同的干净语音还是对不同信噪比的含噪语音，其基音检测结果都有明显的改善。     

基于LPC预测残差的倒谱基音检测算法分析

给出了加窗语音的新倒谱模型，提出了基于语音LPC预测残差的倒谱基音周期检测算法(LP—CEP法)，该算法在倒谱计算中采取高频分量置零的新措施，仿真研究结果表明，该算法相对于传统倒谱基音检测算法(CEP法)，无论是对不同的干净语音还是对不同信噪比的含噪语音，其基音检测结果有明显的改善。     

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．     

基于谱减的双元指向传声器阵列语音增强

设计了一种结构简单的用于语音增强的双元指向性传声器阵列,利用阵列中不同方位阵元对目标信号和干扰信号的增益不同的特点,有效估计噪声信号的功率谱,再利用传统谱减算法的思想,实现语音增强。实验结果表明提出的算法是有效的,与经典的谱减算法相比具有更佳的语音增强效果。     

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。     

基于泄漏约束的DF-GSC语音增强

为了改善广义旁瓣抵消(GSC)语音增强方法的性能,提出了一种带有泄漏约束的判决反馈旁瓣抵消(LCDF-GSC)方法.采用DF-GSC方法以解决GSC对波达方向敏感的问题,在代价函数中引入泄漏因子,以此改善语音失真的问题,而这种问题是由于噪声参考信号中含有语音成份造成的.试验结果表明,尽管经过LCDF-GSC处理后的语音信号信噪比要略低于DF-GSC,IS测度表明这时前者的语音信号失真度要小于后者.MOS分也表明LCDF-GSC方法要优于DF-GSC和单通道Weiner滤波算法.     

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。     

基于自适应参数的多窗谱谱减法算法改进

当今人工智能发展迅速,语音识别成为人机交互的重要方式。为提高语音识别准确度,在分析语音信号前去除语音信号噪声干扰并提高语音信号能量尤为重要。在实际应用中,不同语音信号包含不同的噪声。针对不同的语音噪声,在传统谱减法基础上,通过判断算法窗函数,根据不同的噪声能量改变多窗谱减法的过减因子参数,以增强算法自适应能力。仿真结果表明,在低信噪比情况下,通过改变过减因子值,可取得一个最优过减因子值以改进谱减法下的音乐噪声和失真度。自适应多窗谱减法改进后与基本谱减法相比,信噪比提高了 29%;与多窗谱减法相比,信噪比提高了 16%。该自适应多窗谱减法可适应不同噪声环境下的语音信号,增强语音信号中的关键信息并减少噪声干扰。