智能语音机器人前端语音处理系统的设计及实现

语音前端处理是智能语音机器人中一项关键的技术。传统的语音前端处理方法大多通过DSP来实现,大大增加系统复杂度和研发成本。基于WebRTC语音库,采用SRP-PHAT声音定位算法实现语音前端处理系统可以解决上述问题。该系统使用C++语言实现,可以直接部署在普通通用处理器或嵌入式ARM处理器中。经过实际功能及性能测试,该系统可以满足智能语音机器人对前端语音处理的要求。

语音识别前端鲁棒性问题综述

随着手持设备的日益小型化以及一些特殊场合的限制,使用语音识别这种自然的人机接口技术愈发显得迫切。基于 HMM 架构的语音识别技术经过几十年的发展,在实验室环境下已经取得了很高的识别率。当前已经取得的技术要想走向实用化,所面临的最大障碍来自于语音识别前端的鲁棒性问题。本文对语音识别的前端鲁棒性问题做了比较深入细致的分析,并在此基础上比较全面地介绍了解决这些棘手问题所采取的一些措施。文章最后对语音识别前端鲁棒性问题给出了一定的讨论和展望。

在PowerBuilder中用语音读金额

本文结合某高校电费收费系统实例详细说明在PowerBuilder中用语音读金额的方法步骤和注意事项。

背景噪声下的语音识别技术研究

研究了3种背景噪声下与说话人有关的孤立词语音识别方法。即语音前端声学处理法、正则相关分析的谱变换补偿方法和同模极点增加法。实验结果表明,这3种方法都有效地提高了噪声环境中语音识别率,其中较好的方法在强噪声环境中(信噪比为0 dB)的语音识别率达到80%以上,为信噪比较低的噪声环境中自动语音识别展现了美好前景。

基于正弦模型的语音识别时频特征

为改善语音识别系统的性能 ,采用时频分布参数来描述语音特征。由于时频分布参数考虑到语音信号内在的非平稳特性 ,因此能够更准确地描述语音信号的时频特性。对基于正弦模型的多种时频参数 (能量谱和幅度加权瞬时频谱 )进行了比较 ,并在基于隐马尔可夫模型的连接词语音识别系统中进行了实验仿真。结果表明 ,单独采用时频分布参数作为 ASR的前端特征并不能改善识别率 ;而采用标准 ASR特征和能量谱时频特征的联合前端特征 ,可以有效地改善语音识别系统的识别效果。