jieyannn的博客

说话人识别系统设计系统框图说话人识别系统框图说话人识别是一个二值问题，只需判定是否为申请者所讲。预处理：端点检测、预加重、加窗、分帧特征提取：语音短时能量基音周期、语音短时谱、共振峰频率及其带宽倒谱、MFCC线性预测系数LPC、LPC倒谱特征参量评价方法：F=不同说话人特征参数均值的方差÷同一说话人特征参数方差的均值F越大，表示特征参数越有效。系统建立建立和应用说话人识别系统分为两个阶段：（1）训练阶段（2）识别阶段博主ps：这个跟孤立词识别系统的两个阶段可以说是一模

识别系统的组成语音识别一般分为两个步骤：（1）“学习”或“训练”阶段——建立识别基本单元的声学模型以及进行文法分析的语言模型（2）“识别”或“测试”阶段——采用语音分析的方法分析出这种识别方法所需要的语音特征参数，按照一定的准则和测度与系统模型进行比较。通过判决得出识别结果。预处理和参数分析：（1）话筒自适应和输入电平的设定。（2）抗噪声。对于平稳噪声，使用谱相减降噪声技术。对于非平稳噪声，通过两个话筒将输入语音和噪声相互抵消。（3）语音区间的端点检测。常用基于相关性的语音端点检测算法。传

语音压缩编码只针对考试内容，不全面讲解各类编码原因：语音信号编码最简单的方式是直接将语音信号进行量化，只要量化位数足够多，就能保证解码后语音信号有很好的音质。缺点是这样所需的数码率太高，传输信道难以承受。因此必须对语音信号进行压缩编码原理：依据语音信号的冗余度和人的听觉感知机理。（1）时域冗余度：1）幅度非均匀分布。小幅度样本出现的概率高。2）对于短时自相关函数，相邻样本间的相关性很强。3）浊音语音段具有准周期性。4）声道的形状及其变化缓慢。5）存在语音间隙。（2）频域冗余度：1）非均

注：本博客讲的是考试内容，也涉及到部分实际应用内容。算法部分在考试时着重了解前后向算法和维特比算法的计算过程基于HMM的孤立词识别算法HMM的基本元素：hmm={A,B,pi}N：状态数M：每个状态的观察符号数，基于VQ+HMM时也就是码本数A：状态转移概率分布矩阵。N×N。aij表示处于i状态时，切换至j状态的概率。i=1,2,…,N，j=1,2,…,N。B：观察符号概率分布矩阵。N×M。bkj表示处于k状态时输出符号j的概率，k=1,2,…,N，j=1,2,…,M。pi：初始状态分布矩阵

矢量量化的最佳码本设计：LBG算法具体实现步骤（1）对语音信号进行预处理（2）对每一帧提取参数，得到输入训练矢量X。所有帧都处理完毕后，得到全部输入训练矢量X的集合S（3）设置J个码字的初始值（4）根据最近邻准则（与码字的距离最小），将训练矢量集合S分为J个子集（5）计算本轮的总畸变（对于每个子集，求子集内每个矢量与子集所属码字的距离之和，再将每个子集得到的结果累加）（6）计算畸变改进量的相对值（上一轮的总畸变与本轮的总畸变的差值绝对值除以本轮的总畸变。第0轮的畸变初值是一个较大值）（7）计

人的说话过程分为五个阶段：想说——说出——（空气等媒介）传送——接收——理解1.语音信号生成系统的数学模型建模基本原则：不仅具有最大的精确度，而且还要最简单语音信号从整体上看是非平稳随机过程，其特性是随着时间变化的。而这种变化是很缓慢的，所以将语音信号分为一些相继的短段进行处理，可以认为这些短段中的语音信号特性是不随着时间变化的平稳随机过程。因此在这些短段时间内表示语音信号时，可以采用线性时不变模型。语音生成系统三个部分：1）声门以下——激励系统，产生激励振动2）声门到嘴唇——声道系统3）嘴唇

摘自《语音信号处理》赵力第三版。由于大部分教材都上锁了，只能逐个逐个摘录。第十二章：语音增强1.语音、人耳感知以及噪声的特性2.谱减法1.语音、人耳感知以及噪声的特性2.谱减法...

文章目录1.数字化和预处理预处理带通滤波A/D变换预加重加窗分帧2.时域分析语音信号短时能量：短时平均幅度函数短时过零率自相关函数短时平均幅度差函数3.频域分析语音信号4.倒谱分析语音信号倒谱的处理过程MFCC5.线性预测分析语音信号6.基音周期估计ACF后处理7.共振峰估计倒谱法1.数字化和预处理数字化：带通滤波、放大及增益控制（AGC）、反混叠滤波、采样、A/D变换、PCM编码预处理：预...