基于MPLS的承载语音业务技术

虽然VoIP技术正在迅猛发展,但是使用IP网络来承载语音业务存在许多缺陷.多协议标记交换(MPLS)是下一代骨干网络技术,具有许多优点.使用MPLS网络作为语音业务的载体,既可以改善语音业务的质量,还可以弥补传统IP网络的缺陷.对MPLS承载语音业务的技术--VoMPLS进行了详细的阐述,介绍了VoMPLS在相关领域的应用,并展望了VoMPLS的未来研究方向.     

基于临近空间通信网络混合业务的MAC协议

在临近空间通信网络中,不同的业务共享带宽有限的无线信道,因此,需要设计一种简单有效的MAC协议,以便在保障业务服务质量的同时提高信道利用率.文中提出了一种用于支持混合业务的临近空间通信网络MAC协议.通过对帧时隙进行最优划分组合、业务分离和业务优先级判断,协议很好地支持了语音、数据和实时变速率(rt-VBR)视频混合业务.仿真结果表明,该协议在保证各种业务服务质量的同时最大信道利用率达到85%.     

LTE网络S1接口流量监测技术的研究与实现

为了实现对长期演进(long term evolution,LTE)网络的流量监测,对S1接口用户面协议栈和应用层协议进行了分析,利用模块化设计思想实现了对S1接口应用层协议的全面监测。针对传统信令监测系统数据业务识别度低、统计能力不强的问题,在传统的监测系统基础上,应用深度包检测（deep packet inspection,DPI）技术对应用层业务进行精细化识别, 并设计了基于传输流的业务呼叫/事务详细记录(call/transaction detail record,xDR)合成方法,实现了对业务流量的精确监测。经现网测试验证,所设计的基于深度包检测技术的业务识别方案和基于传输流的呼叫/事务详细记录合成方案达到了预期的效果,在移动通信网络业务流量监测领域具有推广意义。     

分布式语音识别技术对3GPP体系的影响

本文描述了分布式语音识别(Distributed Speech Recognition)技术的原理、先进性及其在3GPP体系中的应用,重点描述了3GPP协议栈体系下的集成语音识别框架SRF及语音识别框架SRF在3GPP体系中对多模式和多设备服务提供基本支持的体系结构。     

基于Power builder的语音数据库设计与实现

文章提出了一个可以同时面向语音识别和说话人识别的汉语语音数据库,并对该语音数据库的录音方案、录音内容以及标注与存储设计作了详细说明,并部分实现了语音特征的分析功能.     

基于DPI和会话关联技术的QQ语音业务识别模型和算法

针对互联网即时通信软件－腾讯QQ的语音会话特征进行了深入的分析，研究如何基于DPI净荷深度检测和会话关联技术来有效识别QQ语音业务，并设计出QQ语音业务的识别模型和算法，原型系统在10 G电信IP骨干网中得到了充分验证     

应用自动语音识别技术实现通信增值业务

介绍实现商用自动语音识别的系统架构及其功能,阐述应用自动语音识别技术实现的新通信增值业务.应用自动语言识别技术可以实现语音号簿,提供个人的日程安排,事件提醒,读取邮件等,扩大信息查询内容,提供互动娱乐等通信增值业务.     

蒙古语电话语音语料库的建立

蒙古语电话语音的研究刚刚起步,建立规模较大的、通用的电话语音语料库成为了重要的基础工作.本次建立的蒙古语电话语音语料库是以自然口语的对话形式进行录制,并且体现了不同电话信道、不同方言、不同年龄段说话人的特点.本文详细讨论了语料库的录制整理、语音切分和语音标注等几个问题.本次建立的语料库为蒙古语电话语音的语音识别、语音检索、语音监控和说话人识别等技术的研究提供了真实的实验数据.     

语音关键词识别系统声学模型构建综述

语音关键词识别技术作为语音识别的重要分支在20世纪90年代逐渐被重视起来,时至今日,语音关键词识别技术已经被应用到车内语音命令识别、机器人交互及特殊语音筛选等众多领域。本文给出了语音关键词识别技术的整体模型及性能评价指标,综述了语音关键词识别系统声学模型构建技术的现状,详细总结了语音关键词识别系统声学模型构建技术,并重点总结了深度学习在声学模型构建上的应用。最后对语音关键词识别技术的发展前景进行了讨论,认为深度学习隐马尔科夫混合模型作为连续语音识别中最成熟的模型构建技术将在关键词识别中有更多应用,循环神经网络有可能凭借其序列训练能力成为更有效的模型构建技术,而大计算量、云平台及便携可穿戴将会成为语音关键词识别技术发展的主流方向。     

基于DPI和会话关联技术的QQ语音业务识别模型和算法

针对互联网即时通信软件-腾讯QQ的语音会话特征进行了深入的分析，研究如何基于DPI净荷深度检测和会话关联技术来有效识别QQ语音业务，并设计出QQ语音业务的识别模型和算法，原型系统在10G电信IP骨干网中得到了充分验证。     

彩铃的语音搜索功能设计与实现

随着彩铃业务的迅猛发展,彩铃平台中业务的人性化程度显得日趋重要.研究提出了一种在彩铃平台上实现语音搜索功能的方案.该方案结合ASR语音识别技术和搜索引擎索引技术,支持可配置的铃音排序策略,并可针对不同用户的喜好对搜索结果进行调整,是对彩铃业务的有力增强.     

说话人识别中改进的MFCC参数提取方法

在说话人识别技术中,特征参数的提取对语音训练和识别有着非常重要的作用。而Mel频标倒谱系数MFCC是一种常用的特征,它能对语音信号进行分析处理,去除对语音识别无关紧要的冗余信息,获得影响语音识别的重要信息。同时由于语音信号具有时变和混沌特性,以非线性随机共振理论和人类对听觉的理解为基础,提出了一种基于随机共振的MFCC特征参数提取方法。通过实验比较两种方法的结果,论证了改进方法的可行性以及优越性,为说话人识别技术中特征参数提取提供了一条新的研究方向。     

PMC在噪声环境下的语音识别中的应用

今天的语音识别正处于由实验室技术走向实用化,产品化的关键时期,然而,现有的绝大我数语音识别系统在噪声环境中的性能都不可避免地急上降,环境噪声已经成为语音识 技术商品化的一个主要障碍,因此在语音识 技术逐渐走向实用化的过程中,噪声语音识别日益成为一个重要的研究领域,遗憾的是,由于噪声语音识 问题本身的复杂性,至今还没有一种方法可以圆满地解决这一问题,拟从模型补偿方面,对噪声环境下的孤立词语音识别进行一些探索,重点研究一个在噪声环境下的语音识别算法－－并行模型组合方法（PMC）,详细论述了其原理以及在噪声环境下的语音识别中的应用。实验中,我们使用汉语的数字语音,分别在3种不同噪声不同信噪比条件下对这一方法进行了识别率测试,结果显示,该方法有着令人振奋的识别效果。     

基于BP神经网络的非特定人语音识别算法研究

当前非定特人语音识别算法大多只适于连续语音,且识别精度和速度均较低。为此,提出一种新的基于BP神经网络的非特定人语音识别算法,介绍了标准BP神经网络,针对其收敛速度慢的弊端,通过变化的自适应学习速率,令网络训练针对各种阶段自行设置学习速率值,利用变学习速率构建对应的改进BP神经网络模型,将改进的BP神经网络模型看作识别非特定语音的识别器,输入待识别语音,令累计预测残差达到最小,实现非特定人语音识别。将改进模型应用于非特定人语音识别中进行验证,结果表明所提算法识别率更高、识别速度更快,不仅适于连续语音的识别,也适于不连续语音的识别。     

基于SQLite技术的汉语语音识别数据库的建立

建立一个适合于特定说话人识别系统的汉语语音识别数据库,对推动说话人识别技术的研究和应用具有重要意义。本文基于支持向量机的说话人识别系统研究和开发过程中,构建了一个基于SQLite技术的汉语语音识别数据库,通过LabVIEW平台来实现对数据库控制操作。采用无序列样本和语音数据库样本分别进行比对实验。测试结果表明：一方面,无论是采用该语音识别数据库样本还是无序样本对说话人识别系统的识别率没有改变,这充分说明本系统建立的汉语语音识别数据库具有高稳定性和可靠性;另一方面,采用语音识别数据库样本其系统识别时间却明显缩短,这是改善基于支持向量机的说话人识别系统性能的有效途径。     

藏语语音信号降噪算法研究

藏语语音在识别过程中会受到各种信号的干扰,从而影响语音识别的质量。在进行语音识别预处理过程中,语音信号的降噪技术是一个关键的环节。文章通过分析各种降噪手段,重点研究了藏语语音信号降噪方法,提出了符合藏语语音信号降噪的小波包降噪算法。其研究结果为进一步的藏语语音识别技术的研究提供了基础。     

基于CDHMM/SOFMNN噪声背景下的语音识别方法

针对噪声背景下传统语音识别系统识别率较低的问题,提出了一种将自组织特征映射神经网络(SOFMNN)与隐马尔可夫模型(HMM)相结合的方法,训练出适应噪声的混合模型.该模型适合于对噪声背景下的语音进行识别.同传统的CDHMM模型以及直接在语音中加入加性噪声训练出的CDHMM模型相比,该模型具有更好的抗噪鲁棒性,在信噪比较低的情况下(2~12 dB),识别率比传统CDHMM模型有明显提高.     

一种新型语音识别系统

提出一种新型语音识别系统,采用帧能量与帧过零率的乘积作为指标量进行语音端点检测,以MFCC作为语音信号特征矢量,基于HMM语音识别模型进行语音识别.同时,提出了一种新的抗噪语音识别方法,通过改进型重复Wiener滤波结合PUM模型进行抗噪语音识别,较好地抑制了噪声干扰,提高了语音识别率.     

一种噪声环境下的语音识别方法(线性预测误差法)的研究

介绍一种平稳噪声环境下语音识别的新的方法。该方法利用噪声的LPC系数去预测语音信号,从而得到LPC预测序列,然后把它代替原语音序列来进行语音端点的检测、语音特征的提取和在合适的匹配方式下的识别。实验结果表明：该法在噪声环境下自动检测语音端点和提取语音信号的特征是可行的,获得了很满意的识别率。     

基于分类识别的隐马尔可夫模型语音识别技术

通过分析基于隐马尔可夫模型(HMM)语音识别的原理,针对模板提取过程中语音信号的基音频率差别增大而出现的语音识别率下降的问题,提出分类识别的方法,通过采用基音周期(Pitch)判决方法,将特征相近的帧合并,并计算基音频率的MEL频率倒谱系数,采用隐马尔可夫模型(HMM)进行语音识别,最终通过仿真实验验证分类识别方法对语音识别率提高的影响,得出此方法的适用环境和范围.