带有级间预测的LSF矢量量化多级码本联合优化

语音编码算法中线谱频率(LSF)参数的量化极其重要。该文针对带有级间预测的线谱频率参数多级矢量量化算法,提出了一种多级码本之间的联合优化算法。每次迭代时,先将训练矢量对码字进行聚类,固定除当前级码本外的其他各级码本,利用加权均方误差最小原则更新当前级码本。直至达到一定的迭代步数或者两次迭代之间量化误差降低小于一定阈值,停止迭代。在一种300 b/s声码器上进行测试,结果表明该算法能够有效降低LSF参数的量化误差,从而提高合成语音的质量。

基于连续语音识别的码本数据信息优化研究

在语音识别技术中,矢量量化起着非常关键的作用。矢量量化的码本设计过程中,经典的LBG算法对初始码本非常敏感,初始码本的选取不但影响迭代的收敛速度,很大程度上还影响最终码本的性能。本文提出一种新的初始码本生成算法,通过距离调节参数进行迭代来更细致地划分矢量空间,进而改善码本质量。新算法与其他算法进行对比,在类间离散度、矢量量化不均匀度和收敛性等性能指标上,都具有明显优势,同时将新算法得到的初始码本经LBG算法再次优化后,应用于非特定人汉语连续语音识别,实验结果证实了新算法的有效性。