应用数理方程反演提取语音特征

先讨论由语音信号反演声门激励函数，发现波沿非均匀声管传导既能产生新的频率（共振作用），也可抑制原有频率（滤波作用）．这说明目前用于语音处理基础的全极点ＬＰＣ模型并不能充分反映这些特征．然后研究如何直接从语音生成的偏微分方程模型出发，用反演方法提取一种新的语音特征参数代替ＬＰＣ作为研究各种语音处理的基础．     

多带激励语音压缩算法的仿真实现

作者从语音信号的多带激励模型出发，对ＭＢＥ语音压缩算法的原理作了详细的指出了它相对于传统ＬＰＣ等算法的优越性，并在计算机上进行仿真实验，给出了实验结果。作者最后就合成语音的质量，算法复杂度等方面，对ＭＢＥ声码器和部分常用标准语音压缩编码方案作了比较，也指出了今后所要研究的方向。     

基于LPC预测误差DWT的语音基音检测

在对语音信号进行ＬＰＣ分析的基础上，提出了一种有效的语音基音周期检测算法。该算法利用小波变换中著名的Ｍａｌｌａｔ算法逐层分解ＬＰＣ预测误差信号，在最低分辨率的逼近信号中寻找峰值，然后逐层回溯各个分辨率的逼近信号，最后在ＬＰＣ预测误差中确定出峰值，从而求出相应的基音周期。     

基于LPC预测误差DWT的语音基音检测

在对语音信号进行ＬＰＣ分析的基础上，提出了一种有效的语音基音周期检测算法。该算法利用小波变换中著名的Ｍａｌｌａｔ算法逐层分解ＬＰＣ预测误差信号，在最低分辨率的逼近信号中寻找峰值，然后逐层回溯各个分辨率的逼近信号，最后在ＬＰＣ预测误差中确定出峰值，从而求出相应的基音周期。     

语音信号基本载体的研究

语音信号特征的提取是语音识别的基础，目前使用的特征提取方法要将语音信息经多次复杂变换后提取特性。这样，往往满足不了实时性要求。该文对原始语音信号做简单处理，的实验，证明了经简单处理后语间信号波形比原始波形简单，直观，计算频域特征和自相关特征等简单方便，实时性好，并有望从中进一步发现新的语音特征提取方法。     

变频采样PCM语音合成法初探

给出了变频采样ＰＣＭ合成法，并介绍了一种用单片机实现变频采样的实用电路。其特点是采样频率随语音而变化。在保证同等音质的条件下，变频采样ＰＣＭ比传统的ＰＣＭ合成法将节省１／２以上的语音存贮单元     

语音识别中信号特征的提取和选择

本就语音识别中的各种特征参数的性能,提取算法等进行了分析和比较。根据选择特征参数的主要依据,选择ＬＰＣＣ和ＡＲＡＣ作为基本特征参数和动态特征参数,并应用于一个维吾尔语语音识别系统中,取得了很好的识别结果。     

小波变换在语音识别中的应用

提出了一种基于小波变换和ＡＲＭＡ模型的新参数，并将它用于Ａ．．．Ｎ的英文字母的识别。我们使用的数据库是ＮＩＳＴ。小波变换要以在高频提供高的频率分辨率，在低频提供高的时间分辨率，而ＡＲＭＡ模型则可以改善ＬＰＣ模型没有零点的不足。实验结果表明，识别的错误率提高１４．２７％。     

2．4kb／sLPC－10语音分析算法及其技术剖析

本文设计了一个２．４ｋｂ／ｓ的语音分析算法，并详细介绍了算法中的技术细节。对语音的分析采用ＬＰＣ分析方法，以语音能量、基音周期以及１０个部分相关系数作为一帧语音的参数。在分析算法中采用杜宾递推公式求取部分相关系数，采用并联时域基音检测技术提取基音周期。通过删除语音间隙及进行自动增益控制等措施来提高语音参数的精确度，对语音参数进行编码以达到２．４ｋｂ／ｓ的传输率的要求。     

基于PC的虚拟现实系统开发平台——PCVRS

介绍了一个基于ＰＣ的虚拟现实系统开发平台ＰＣＶＲＳ，对比国外同类系统，具体分析了ＰＣＶＲＳ在交互功能和开放性方面的特点，在交互功能方面，ＰＣＶＲＳ扩充了Ｐｉｃｋ＆Ｐｌａｙ的交互方式，增加了语音通道，实现了多通道交互，在开放性方面，ＰＣＶＲＳ采用Ｉｎｔｅｒｎｅｔ上流行的虚拟现实造型语言ＶＲＭＬ作为系统的基本造型语言，并设计了一个抽象的造型数据格式作为向三维场景提供数据的统一接口，最后，通过对基于该平     

由透射波提取语音特征参数初探

研究了一维透射波提取语音参数问题．语音的物理本质是声波沿声道透射．声门是波源发生器，唇外是透射后的波，不同的声管形态产生不同的声音，从这些声波中提取不同语音的特征信息，是识别语音的一种途径．所提出的新的透射波提取语音参数公式，其理论基础是：波的传播可以由时变谱信号来刻划，表示成三元(即时间，空间和频率)复函数；介质参数(如反射系数等)均是空间和频率的复函数．利用小波变换实现时频转换后进行计算，再利用分类方法实现语音识别．     

小波变换在语音识别中的应用

提出了一种基于小波变换和ＡＲＭＡ模型的新参数，并将它用于Ａ…Ｎ的英文字母的识别。我们使用的数据库是ＮＩＳＴ。小波变换要以在高频提供高的频率分辨率，在低频提供高的时间分辨率，而ＡＲＭＡ模型则可以改善ＬＰＣ模型中没有零点的不足。实验结果表明，识别的错误率提高１４．２７％。     

基于ADPCM编码的语音录放系统开发平台

介绍了基于ＡＤＰＣＭ编码的语音录放开发平台的硬件和软件设计及系统功能，讨论了专用语音重放系统的设计考虑，给出了应用系统设计实例。     

各种速率矢量和激励线性预测（VSELP）编码器的实现

研究并改进了矢量和激励线性预测，语音编码器，介绍了８ｋｂｉｔ／ｓＶＳＥＬＰ编码方案的实现及在此基础上利用矢量量化ＬＰＣ参数，减少激励码本数和子块分裂等方法；改进的６．４ｋｂｉｔ／ｓ，４．８ｋｂｉｔ／ｓ及２．４ｋｂｉｔ／ｓ ＶＳＥＬＰ的方案和结果。     

神经网络语音识别新特征

根据声道模型与ＡＲ模型的对应关系,提出一种可用于神经网络语音识别的新特征———语音信号的全局时频特征,从整体上描述ＬＰＣ倒谱系数的变化规律．其特点是：（１）特征长度固定,为传统的静态神经网络应用于语音识别创造了良好条件;（２）与其他语音识别系统所用的神经网络相比,新特征极大地降低了神经网络的规模及训练时间;（３）基于新特征的系统的识别性能明显优于传统的ＨＭＭ方法及ＧＭＤＳ算法．     

语音芯片ML2500及其应用

指出了ＭＬ２５００是采用模拟存储技术的一种新型语音处理芯片，给出了ＭＬ２５００的内部结构框图、引脚功能及应用电路，并提供了与单片机连接软件编程。     

2.4 kb/s MELP算法设计

提出了一种新的工作于低极码率下的混合激励线性预测（ＭＥＬＰ）声码器。该声码器结合了线性预测编码（ＬＰＣ）和多带激励编码算法的优点,对算法和量化方案重新进行了设计和改造,其主要特征包括改进的基音检测算法、混合的周期脉冲和随机噪声激励,有效的线性谱频率（ＬＰＦ）参数量化以及激励谱形状表示,非正式主观测试表明,由采用本算法的一个２．４ｋｂ／ｓ编码器所重建的语音质量略优于美国联邦标准４．８ｋｂ／ｓ码激励性     

一种基于听觉模型的抗噪语音识别特征提取方法

提出了一种新的语音识别特征提取方法。该方法是建立在听觉模型的基础上,通过计算语音的上升过零率作为频率信息并通过非线性幅度加权相结合来获取语音特征。仿真实现了中小词汇量、孤立词的语音识别,得到了较好的实验结果,证明了此方法具有较强的抗噪声性能。     

基于CASA简化模型的语音增强算法

基于听觉现象分析（CASA）模型的基本原理,针对仅有非语音信号干扰情况下的单通道语音增强处理问题,利用人耳的频率掩蔽效应,提出了一种单通道简化CASA计算模型语音增强新算法,新算法通过提取混合语音输入中的有效语音时频成分并利用人耳的听觉掩蔽效应重构合成增强语音输出信号,通过在汽车噪声和白噪声干扰下的仿真实验结果表明,简化的CASA模型语音增强算法的输出信噪比约提高了10dB,且可以有效抑制干扰噪声的听觉影响,增强输出语音信号的可懂度。     

基于深度学习的智能语音问答系统研究

随着人工智能行业的不断发展,智能语音问答技术逐步得到国内外学者的广泛关注和研究,但是语音识别方面仍然存在两个技术瓶颈,第一是语音识别系统,第二是根据识别的语音进行问题的回答。基于此,开展了基于深度学习的智能语音问答系统研究。首先介绍了基于隐马尔科夫模型的语音识别系统,然后研究了基于梅尔频率的语音信号特征提取技术,并建立了声学和语言模型,最后研究了基于GRU算法的问答匹配模型,并基于以上模型开发了智能语音问答系统。经实际实验验证分析,文章所提出的算法在语音识别和问答的准确度方面都相比传统算法具有很高的精确度,本算法具有较大的实用价值。