听到“牛黄”能想到“黄牛”吗?——口语识别中的语音位置编码机制

在众多语言中,都存在一系列词汇,经过语音位置转置后仍能有效成词,典型如中文中的“牛黄”与“黄牛”。阐明这类可转置词汇在语言理解过程中的编码方式,是一项至关重要的研究课题。在阅读领域,学者们已就词汇的位置编码机制展开了讨论,然而针对口语加工中语音位置编码的认知机制,至今仍存在序列−灵活编码之争:早期口语识别理论认为语音位置编码主要以序列编码方式为主,而近年来的研究则发现,音位、音节和句子等层面上存在以灵活编码为主的语音位置编码方式。未来研究应深入探索与口语识别中语音编码相关的认知机理、神经机制、语言获得以及人工智能等重要问题,由于汉字词在形音对应关系和语音加工单元等方面独具特殊性,后续研究应对汉字词的语音位置编码予以特别关注。

一种英语口语识别算法

在连续语音的英语口语语料库中进行语义单元的识别发现是在其声学信号中发现重复的声学模式,然后将这些模式组合起来,定义具有明确语义表达的组成单元。文中描述并实现了一种英语口语识别算法,该算法在声学特征序列之间标记相似的语义单元。然后利用了现代GPU的多计算核心并行化的算法处理方式,允许多个单元独立的同时执行比较算法,实现了该算法能够在可伸缩的时间帧中对更大的数据集进行分析。通过实验评估,文中所述的英语口语识别算法在多个指标上具有明显的性能提升。

基于深度神经网络的英语口语语音识别系统设计

文章提出一种结合长短期记忆网络(Long Short-Term Memory,LSTM)、卷积神经网络(Convolutional Neural Network,CNN)和连接主义时间分类(Connectionist Temporal Classification,CTC)的端到端英语口语识别模型。该模型直接对语音特征序列建模,无须中间表示,简化识别系统设计,为口语识别与交互技术发展奠定基础。此外介绍了如何在树莓派上实现基于深度神经网络的英语口语语音识别系统。由于系统的模式可以不断地改进识别精度,因此非常方便用于家居中进行英语口语自学检测。

汉语口语词汇识别研究述评

本文介绍了音段、超音段信息及汉语口语词汇识别的相关概念,同时介绍了口语词汇识别的两大理论模型(Cohort模型和TRACE模型)及其相关研究。文章讨论了口语词汇识别中的一些基本问题,如,研究范式(视觉情境范式),影响因素(词汇熟悉度,实验材料的语境)等。在此基础上,总结有待于研究的问题。

汉语口语词汇识别中声调、语境的作用:来自眼动研究的证据

为探讨汉语口语词汇识别过程的影响因素,本研究采用眼动方法,结合视觉-情境范式,通过2个实验考察了不同语境条件下声调对汉语双字词听觉词汇识别的作用。结果发现:(1)在不同语境中,三种竞争词各自的总注视时间显著长于无关控制词;(2)在低限制性语境中,高频词的凝视时间显著短于低频词;(3)在低限制性语境中出现词频效应。该结果表明:音段信息、声调都能够影响口语词汇识别过程,实验结果支持TRACE模型。

针对自发性语音的识别方案

为了提高自发性口语语音识别率及语音解码识别效率,提出了一种新的自发性语音识别方案。实验结果表明,该识别方案不仅能提高语音识别率,而且还能有效准确地切分音频,提高评测系统的解码效率,鲁棒性较强。

汉语口语语料库研究的若干问题

结合国际上口语语料研究的最新进展和作者的研究经验。

基于谱稳定性特征的语音与笑声区分新方法

该文提出一种采用谱稳定性作为特征参数的区分语音与笑声的新方法。通过分析语音与笑声的谱稳定性参数的特性,发现前者明显小于后者,这表明谱稳定性可以作为区分语音与笑声的特征参数。比较了采用谱稳定性参数、Mel频率倒谱系数、感知线性预测和基音频率等特征参数在相同实验条件下区分语音与笑声的性能。实验结果表明:在特定人和非特定人情况下,采用谱稳定性作为特征参数区分语音与笑声的正确率分别为90.74%和73.63%,其区分能力优于其它特征参数。