后挂式骨导助听器听力干预短期效果的临床评估

目的 比较韶音后挂式骨导助听器对不同类型听力损失患者的听力干预短期效果,探讨其临床应用前景。方法 55例听力损失患者(年龄18~82岁;传导性听力损失9例,感音神经性听力损失15例,混合性听力损失31例;左右耳0.5、1、2、4 kHz四个频率的骨导纯音听阈均≤60 dB HL)配戴韶音后挂式骨导助听器,分别于配戴助听器前和配戴第14±2 d行声场总体听阈、单音节识别率及安静环境语句识别阈测试,比较配戴助听器前后的结果差异。并于配戴第14±2 d使用IOI-HA问卷对助听器使用效果进行评估。结果 患者配戴后挂式骨导式助听器后声场四个频率平均听阈(39.3±4.9 dB HL)较配戴前(56.5±8.2 dB HL)显著改善,差异有统计学意义(P<0.001)。患者助听前单音节识别率(给声强度:患者助听前双音节言语识别阈减5 dB)为29.8%±11.4%,配戴第14±2 d为72.4%±14.4%,配戴后单音节识别率显著提高,差异有统计学意义(P<0.001)。患者语句识别阈由配戴前的48.6±9.7 dB HL降至34.3±5.6 dB HL,差异有统计学意义(P<0.001)。配戴14±2 d时IOI-HA问卷评估总分平均值为29.0±3.8分。结论 后挂式骨导助听器可显著提高传导性、0.5~4 kHz骨导纯音听阈不超过60 dB HL的混合性及感音神经性听力损失患者的听力及言语识别能力。

基于词性结构的中医妇科学杂病术语英译对比研究

妇科杂病作为中医妇科学疾病体系的重要组成部分,其术语内容较丰富、术语名称较特殊,是中医妇科学术语的重要研究对象。但由于中西医思维及诊疗方式各异,国内外学者在英译妇科杂病相关术语时面临较多困难。从谓词性、体词性、加词三种词性结构的英语语言应用入手,分析中医妇科杂病术语英译,对翻译策略及方法进行辨析并总结相应的翻译建议,以期为国内外学者研究中医妇科学术语英译提供参考。

论引用言语行为的三个维度及其语篇适应性

在对引用言语行为研究现状梳理的基础上,我们指出引用言语行为的形成涉及到两个或多个话语,引用言语行为研究在本质上就是研究引用言语行为所关涉的话语如何建立关联。基于这种问题意识,我们分析得出引用言语行为是涵盖了它引维度、自引维度、互引维度的三维结构体,并在此基础上对三个维度的话语实现方式进行了深入论证。我们发现不同类型语篇中引用言语行为的三个维度体现出一定的差异,基于语料统计和分析,我们指出了三个维度的语篇适应性。

基于Speech SDK的语音控制应用程序的设计与实现

分析了微软SpeechSDK5.1里语音应用程序接口(SAPI)的结构和工作原理,提出了语音控制应用程序的设计方法,并以"Z+Z智能教学平台的语音识别接口"的设计为例,展示了这类系统的主框架和关键技术。

基于声纹特征的伪造语音检测

目前的伪造语音检测方法在特定数据集上表现良好,但鲁棒性和可解释性较差。伪造语音生成通常通过单一特征实现说话人表示,缺乏对声纹特征的精细控制,导致真伪语音声纹特征分布存在差异。为此提出了一种基于声纹特征的伪造语音检测方法。该方法通过在预训练声纹识别系统基础上训练部分参数,建模真伪语音之间浅层帧级声纹特征的分布差异,实现伪造语音检测。该方法还改善了直接使用声纹特征鉴伪难以应对单元选择合成等音色高度相似的伪造算法的情况。所提方法在ASVspoof 2019 LA测试集中相比训练声纹识别系统全部参数的基线系统等错误率相对降低69.6%,且在跨信道和切除静音等场景中都具有良好的鲁棒性。

Speech-ABR安静及噪声环境下音位的对比研究

目的对比speech-ABR在安静及噪声环境下单音节声母、韵母及声调的变化,研究噪声对单音节音位的影响。方法招募正常听力受试者40例(男20例,女20例),母语为汉语普通话。Speech-ABR刺激声为260ms时程的合成言语声/mi/,声调为三声,刺激强度为70d B SPL,记录右耳安静状态下及噪声状态下(信噪比SNR=-10d B)speech-ABR的反应波形。对比起始反应波形(onset response,OR)、过渡反应波形(consonant-to-vowel transition)及频率跟随反应波形(frequency following response,FFR)的潜伏期的变化。并对比安静及噪声状态下声调追踪(pitch tracking)相关系数r的变化。使用SPSS18.0软件进行数据统计分析,数据采用配对t检验分析两组的差异,P<0.05时为差异有统计学意义。结果260ms时程/mi/诱发的言语听性脑干反应波形特征,主要由潜伏期为10ms内的起始反应、潜伏期为80-220ms内的频率跟随反应及最后的终止反应组成,以及潜伏期在10-80ms内的辅音-元音过渡反应。其中起始反应部分为辅音部分所诱发;过渡反应部分为辅-元音的过渡信息诱发;由/mi/中的元音部分所诱发的频率跟随反应部分共由15个波形组成。经配对t检验分析,在安静及噪声环境下进行对比,起始反应峰值(辅音部分)平均潜伏期延长0.85±0.17ms(P=0.000)。过度反应峰值平均潜伏期延长0.75±0.15ms((P=0.000)。频率跟随反应峰值平均潜伏期延长0.38±0.10ms(P=0.000),结果均具有统计学意义。安静环境下声调追踪反应相关系数r均值为0.84±0.08,噪声环境下相关系数r均值为0.74±0.12,两者对比结果具有统计学意义((P=0.000)。结论在噪声环境下,测试音的辅音、元音对应波形潜伏期均发生变化,声调追踪系数会有所下降,提示三种音位均会受到噪声的影响。与以往主观的言语识别率测试方式及诱发电位测试相比,speech-ABR是一种客观方式评估言语声受到噪声干扰情况的测试方法。

基于Speech SDK的语音应用程序实现

利用MicrosoftSpeechSDK的APIforText-to-Speech和APIforSpeechRecognition,采用VisualBa-sic6.0语言,建立文本语音转换应用程序和实现语音识别程序,简单地实现了语音识别的功能,识别出来的内容即可保存为文件,也可作为命令使用,让计算机执行某项操作。

基于Speech SDK的机器人语音交互系统设计

介绍了一种基于Microsoft Speech SDK5.1的机器人语音交互系统,利用Speech SDK5.1提供的应用程序编程接口SAPI进行语音识别,对识别结果在逻辑程序中处理,使用Inter-phonic5.0语音合成技术替代TTS技术来合成语音,实现了AHRR-I接待机器人的语音对话和语音控制。

基于ArcGIS与Speech SDK的中文语音交互式GIS实现方法

自然语言与GIS结合实现语音GIS有利于提高地理信息服务的智能化,而语音识别及空间信息抽取是实现语音GIS的关键技术。该文探索性研究了利用微软Speech SDK及文法规则匹配实现中文语音GIS的方法,设计和实现了一套语音交互式GIS原型系统。首先,设计了语音交互式GIS实现的流程;其次,研究了Speech SDK接口应用方法、语音触发机制、特征词提取与标注以及文法规则匹配方法;最后,基于ArcGIS Engine 10.2和Speech SDK 5.1实现了原型系统,其主要功能包括基于语音的地图浏览、根据对象名称查询、道路交叉口查询、缓冲区查询、最短路径查询等。实际应用证明,该方法相比现有的ArcGIS软件完成相同查询具有操作步骤少、普适性强、智能化等特点。

结合字节级别字节对编码的端到端中文语音识别方法

针对语音识别中对中文这种复杂字符集的语言词汇表过大以及训练效率太低的问题,提出一种基于字节级别字节对编码(BBPE)的端到端中文语音识别方法。首先,将256个不同的字节用于初始化词汇表;其次,统计每个词汇单元在语料中出现的频率,并合并频率最高的词汇单元;最后,重复上一步直至无法合并,以得到最终的词汇表。在中文语音数据集AISHELL-1上,该方法生成的词汇表相较于字符级别词汇表的词汇量减少了88.5%,降低了模型训练的复杂度。同时,鉴于Conformer-Transducer(Conformer-T)模型在端到端语音识别中的出色表现,为了实现更好的识别效果,将最新的Zipformer模型与Transducer模型相结合提出Zipformer-Transducer(Zipformer-T)模型,并在该模型上对BBPE方法进行验证。实验结果表明,Zipformer-T模型使用的BBPE方法相较于字符级别分词方法在AISHELL-1测试集和验证集上的字错率(CER)分别降低了0.12和0.08个百分点,且分别达到4.26%和3.98%的最低CER,充分说明该方法能有效提升中文语音识别的性能。

基于TCN-Bi-GRU和交叉注意Transformer的多模态情感识别

多模态语音情感识别是近年来在自然语言处理和机器学习领域备受关注的研究方向之一,不同模态的数据存在异构性和不一致性,将不同模态信息有效地融合起来并学习到高效的表示形式是一个挑战.为此,本文提出了一种新的基于时序信息建模和交叉注意力的多模态语音情感识别模型.首先采用时间卷积网络(Time Convolutional Network,TCN)提取语音、文本和视频数据的深层时序特征,使用双向门控递归单元(Bidirectional Gated Recurrent Unit,Bi-GRU)捕捉序列数据的上下文信息,提高模型对序列数据的理解能力.然后基于交叉注意力机制和Transformer构建多模态融合网络,用于挖掘并捕获音频、文本和视觉特征之间交互的情感信息.此外,在训练过程中引入弹性网络正则化(Elastic Net Regularization)防止模型过拟合,最后完成情感识别任务.在IEMOCAP数据集上,针对快乐、悲伤、愤怒和中性四类情感的分类实验中,准确率分别为87.6%、84.1%、87.5%、71.5%,F1值分别为85.1%、84.3%、87.4%、71.4%.加权平均精度为80.75%,未加权平均精度为82.80%.结果表明,所提方法实现了较好的分类性能.

基于UniSpeech-SDA80D51的车载音响声控系统

提出一种语音命令控制车载音响操作的设计方案,以德国Infineon公司新推出的具有DSP和单片机双核的SoC语音处理芯片UniSpeech-SDA80D51为核心组成非特定人车载音响语音控制系统,并实现了系统样机的研制。该系统在江淮同悦SL1102C1型车载音响上进行了语音控制实测,实测数据表明系统语音识别率可达到95%。

利用全局-局部特征依赖的反欺骗说话人验证系统

针对现有卷积模型为主的反欺骗说话人验证系统捕获全局特征依赖不理想的问题,提出一种利用全局-局部特征依赖的反欺骗说话人验证系统。首先,对于欺骗语音检测模块,设计两种滤波器组合方式对原始语音进行滤波,并通过对频率子带的掩蔽实现样本扩充;其次,提出多维全局注意力机制,通过对信道维度、频率维度和时间维度分别进行池化,获得每个维度的全局依赖关系,并将全局信息通过加权的方式与原始特征相融合;最后,在说话人验证部分引入统计金字塔池化时延神经网络(SPD-TDNN),在获取多尺度时频特征的同时计算特征的标准差,并加入全局信息。实验结果表明,与集成时频图卷积(AASIST)模型相比,在ASVspoof2019数据集上提出的欺骗语音检测系统将等错误率(EER)降低了65.4%;与单独的金字塔池化说话人验证系统相比,提出的反欺骗说话人验证系统将欺骗感知说话人验证等错误率降低了约97.8%。以上验证了所提两个模块借助全局特征依赖能实现更好的分类效果。

语音分析软件Speech Analyzer和Praat在上海市区方言鼻化韵单一化演变研究中的应用

目前我国方言语音演变研究中音位的确定主要以传统意义上的研究方法为多,音位归纳主要凭个人经验。若记音人本身记音能力有限,可能造成记录结果与方言实际读音存在偏差。因此,如果在传统记音方法的基础上,辅以语音分析软件,将使方言语音研究更为精密、客观。以Speech Analyzer和Praat语音分析软件为例,結合上海市区方言鼻化韵单一化,即鼻化韵中前a后ɑ的对立完全消失,发成中A这一语音演变现象,以Speech Analyzer确定鼻化元音位置,以Praat做共振峰分析,为这一语音演变现象的确定提供证据。

基于图注意力机制和对抗训练的语音反欺骗方法

语音反欺骗任务旨在通过设计网络结构和学习算法来区分真实语音和欺骗语音,以提升语音系统安全性。本文提出了一种结合图注意力机制和对抗训练的语音反欺骗方法,以应对语音反欺骗任务中的挑战。具体地,基于说话人吸引子多中心单类(speaker attractor multi-center one-class, SAMO)学习算法,利用图信号处理(graph signal processing, GSP)理论,本文提出了采用图注意力网络(graph attention network, GAT)提取说话人吸引子中心的方法。通过引入注意力机制来聚合说话人特征表示,以计算出更具代表性的说话人吸引子中心,从而提高系统对真实语音和欺骗语音的区分能力。另外,考虑到当网络只学习到训练集中已知欺骗类型的特定欺骗伪影时,则分类网络可能无法有效应对未知类型的欺骗攻击。本文在反欺骗网络结构中引入欺骗类型分类对抗网络,通过特征表示学习模块和欺骗类型分类辅助网络的对抗训练,促使网络能够从不同类型的欺骗语音中学习到共同的欺骗伪影特征,从而提升系统对实际测试中未知类型欺骗语音的检测能力。在ASVspoof 2019 LA、CFAD和ASVspoof 2021 LA数据集上进行了实验,实验结果表明所提方法在性能上优于基线系统和其他对比系统。此外,本文还采用了t分布随机邻居嵌入(t-distributed stochastic neighbor embedding, t-SNE)和相似度矩阵热力图的可视化方法,直观展示了所提方法在准确区分真实语音和欺骗语音方面的优势,并验证了对抗训练技术在学习共同欺骗伪影特征方面的有效性。

基于Speech SDK的文语转换应用程序的设计与实现

为了把微软Speech SDK的文-语转换功能应用于实际的发声电子词典、Web语音浏览器等领域,开发出具有产品价值的文-语转换系统。分析了微软Speech SDK5.1中语音应用程序接口(SAPI)的结构和工作原理,提出了文-语转换应用程序的设计方法,并基于Visual C++开发了一个文-语转换实例程序,总结出文-语转换系统的主框架和关键技术。

基于VB和Speech SDK的课堂随机语音点名系统设计

基于VB和Speech SDK设计了一种课堂随机语音点名系统。该系统能够通过文本格式的学生名单建立点名列表,随机选择学生,并通过语音播报其学号和姓名。为防止在随机过程中出现重复点到的情况,采用双列表的方法将点中的学生暂时移出点名列表。利用在数字之间插入空格的方法,解决了语音播放学号时无法分别读出每个数字的问题。该语音点名系统目前已经在课堂上投入使用并取得了较好的反响。

Speech SDK在语音机器人开发中的应用

首先表述了语音识别在机器人控制系统中的作用,然后重点介绍如何开发Source Access Point Iden-tifier语音识别软件系统,并实现对机器人的语音命令控制和简单的人机对话,对设计具有语音识别功能的智能机器人具有参考意义。

Probing the Linguistic and Rhetorical Features of English Speeches

English speech is a discourse delivered at an assembly or on formal occasions. As a variety of the English language, English speech has a unique presentation of its own. This paper, as its title indicates, is to analyze and probe the linguistic and rhetorical features of famous English speeches with a view to improving the ability to appreciate English speeches on the part of Chinese learners of English.

基于语料库工具Wmatrix对Incoterms和UCP文本特征的研究与比较

本文以语料库自动赋码软件Wmatrix为工具,以Incoterms的三个修订版和整合后的两个UCP修订版为语料,从语义域、词性分布和关键词三个角度探讨了它们的文体特征及异同,结果发现:1)从语义域角度看,两种文本都有将各方的权利和义务明晰化的倾向。但是Incoterms在规定中突出的是对贸易双方的约束;而UCP文本则更强调对买方一方的要求;2)从词性特征看,Incoterms在功能上更偏向于表达型文本的特征;而UCP文本在功能上则更偏向于信息型文本的特征;3)对两份语料关键词分布特征的统计结果,也进一步证实了以上两个结论。