基于一步字典学习的语音增强方法

为了提高增强语音的质量和减少运算时间,提出了一种基于一步字典学习（OS-DL）的去噪方法。首先采用OS-DL算法分别训练出纯净语言和噪声的幅度谱字典,接着采用一致性准则限制的批处理（LARC）算法对含噪语音谱进行稀疏表示,最后用得到的稀疏系数对纯净语音幅度谱进行估计,并结合含噪语音信号的相位重构纯净语音,实现语音增强。对高斯白噪声下不同信噪比的含噪语音进行仿真实验表明,基于OS-DL的语音增强方法在涉及质量的多项客观评价指标上都有较大改进,提升了增强语音的可懂性;与基于K-SVD学习字典的语音增强方法相比,OSDL的语音增强方法消耗的时间减少了150~200 s。

基于DDBHMM的LVCSR系统的单步搜索算法

为了在大词汇量连续语音识别(LVCSR)系统中能够利用段长信息,该文按树状组织发音词典,利用语言模型预测技术,基于最大似然状态序列(M LSS)算法,给出了采用基于段长分布的隐含M arkov模型(DDBHMM)的LVCSR系统的二元文法语言模型的单步搜索算法。实验结果表明,尽管单步搜索的替代错误率高于双步搜索,但单步搜索的插入和删除错误率都比双步搜索要低,总体性能上单步搜索要好于双步搜索。同时,DDBHMM能较准确地利用了语音信号中的状态段长信息,采用DDBHMM的LVCSR系统比采用经典的齐次HMM的系统有更好的识别性能。