用 TMS320C31 实时实现电话语音识别系统

描述了一个新型实时声控用户交换机语音接口的设计和实现。该系统使用数字信号处理器ＴＭＳ３２０Ｃ３１开发板在ＰＣ机ＷＩＮＤＯＷ平台下实现了与人无关连续命令语音识别,完成拨号、进行电话交换。系统使用少量控制词加上连续数字串构成了电话用户交换系统的常用命令语句,并生成相应识别文法网络（语言模型）。识别采用改进的令牌传递式Ｖｉｔｅｒｂｉ算法。研究中还开发识别系统拒识算法,在无拒识情况下命令语句中数字识别率为９８％以上,数字串（串长＜４）识别率达到９１％以上,通过加入拒识算法,字符串识别率可达９５％以上。     

基于SB卡的语音识别实时仿真系统

讨论了基于声霸（ＳＢ）卡的语音识别系统的设计，包括卡的驱动及回放、信号的检测及特征提取、非线性匹配识别过程。试验表明，该系统在普通实验室条件下正确识别率可达９０％左右。     

基于LD3320的语音识别车配虚拟人系统的设计

本设计运用单片机,结合语音识别芯片LD3320,利用语音输入完成控制信号输入,通过语音、数码管、继电器和传感器的反馈完成输出。该设计的语音命令平均正确识别率可达90%。在智能汽车领域,性能良好且成本低廉的语音识别系统将具有广阔的应用前景。     

基于频域去相关的语音信号分离

目前基于纯净语音信号的语音识别系统和说话人识别系统都已达到了很高的识别率,但是当信号中含有噪声,特别是含有语音噪声时,识别率就会大大降低.解决这一问题的关键是实现语音与噪声的自动分离.考虑到语音信号的非平稳特性,把时域去相关的思想推广到频域,提出了频域去相关算法,实验结果显示了算法的有效性.     

汽车噪声中自动语音的识别技术

汽车中的话音拨号系统是自动语音识别技术的应用热点．自动语音识别系统是一个基于训练的系统．在汽车噪声中,由于实际应用环境与形成系统参数的训练环境的失配,传统语音识别系统的性能会大幅度地下降,从而无法实用．为了提高语音识别系统在特定环境下的识别率及实用性,首先根据汽车环境中语音的失真模型分析了系统性能下降的原因,然后针对加性汽车噪声与信道失真对系统的影响,讨论了在汽车噪声中改善语音识别系统性能的方法．提出了在识别系统中用基于子带的语音增强算法和倒谱均值相减算法相结合的方法．对大量的多人连续数字串语音的识别实验表明,这一方法大大提高了系统在汽车噪声环境中的识别率,它还可以简便、实时的实现,具有一定的实用性．     

一种基于灰关联分析法的语音激活检测算法

为在有色非高斯噪声背景下实时、有效地区分语音信号与各种背景噪声,提出了一种基于灰关联分析的语音激活检测(VAD)算法.该算法提取语音信号过零率、线性预测系数、倒谱系数和转移倒谱系数4种特征参数作为关联参数,通过跟踪语音与噪声灰关联度的变化确定判决门限,实现语音激活检测.仿真结果表明:该算法在无噪声背景中识别率为100%,在-5 dB噪声背景环境,识别率可达80%以上.此算法对有色非高斯背景噪声不敏感,而且计算简单、可靠性高,在语音激活检测中具有可行性.     

一种新的语音端点检测方法及在智能轮椅人机交互中的应用

针对语音端点检测在一般噪音环境下易受影响,且能降低智能轮椅的语音识别率,提出了短时能量与倒谱距离相结合的语音端点检测方法.实验表明,该方法能提高整个语音识别系统的鲁棒性,通过语音识别控制轮椅的5个基本动作(前进、后退、左转、右转、停止)实现了智能轮椅运动的语音控制.     

一种面向语音识别的抗噪SVM参数优化方法

为提高机器学习性能,解决语音识别系统在噪声环境中识别率变差等问题,在分析支持向量机(SVM)模型抗噪性的基础上,提出一种基于生境共享机制的并行结构人工鱼群算法(PAFSA)优化SVM参数的方法.该算法对人工鱼群算法的循环主体进行改进,结合小生境技术的共享机制,在寻优的过程中维持样本个体的多样性,提高求解速度和解的精确性,并利用测试函数对该优化方法进行测试和比较,证明其有效性;用PAFSA对SVM中的惩罚因子C及高斯核参数γ进行优化,并将优选的参数用于一个非特定人、孤立词、中等词汇量的语音识别系统中.实验结果表明:当工作在不同信噪比和不同词汇量下,基于PAFSA-SVM模型语音识别率与基本AFSA-SVM模型识别率以及传统的HMM模型识别率相比均有不同程度提高.     

人工合成噪声环境下的连续英文数字识别系统

噪声鲁棒性问题是当前语音识别的一个重点,作者提出了一个在已有数据库下通过人为地将噪声和语音信号混合的方法,实现实际环境下的连续英文数字语音识别系统.即通过自设计的程序将采集到的噪声文本根据不同的信噪比随机地添加到现有的语音数据库的语音文本中,使新的数据库中的语音文本符合实际的语音环境.实验结果表明,本系统对带噪声环境下的英文数字的识别率效果好,单词的总体正确识别率达到95.86%.     

改进的小波变换HMM语音识别算法

语音识别系统的识别率十分依赖基于Hidden Markov Models(HMM)模型的训练技术.然而,经典的训练算法(Baum-Welch算法)有一个致命的缺陷,即所得最终解依赖于初始值的选取,只得局部最优解,这就影响了系统的最终识别率.针对传统语音识别系统识别率较低的现状,提出了一种改进的小波变换HMM语音识别算法.该算法首先通过小波变换对原始语音信号进行了降噪处理,然后使用语音样本对利用遗传算法改进后的HMM模型进行训练,并用于语音识别.实验结果表明:所提出的算法实用有效,识别率显著提高.