【AIOT】语音调研

1. 语音激活检测 （VAD)

• 近场识别场景: 比如使用语音输入法时，用户可以用手按着语音按键说话，结束之后松开，由于近场情况下信噪比（signal to noise ratio, SNR））比较高，信号清晰;
• 远场识别场景: 噪声比较大，SNR下降剧烈, 使用 VAD 识别人声;
• 精确度高的VAD会提取基于能量的特征、频域特征、倒谱特征、谐波特征、长时信息特征等多个特征进行判断[1]。最后我们再根据阈值进行比较，或者使用统计的方法和机器学习的方法，得出是语音信号还是非语音信号的结论。

2. 语音识别与分析

• 语音唤醒 (VT): 远场识别时，需要在VAD检测到人声之后，进行语音唤醒，例如：Siri
• 声纹识别与 音频事件检测： 研究文本相关/无关声纹识别、动态密码、近场/远场环境声纹识别、性别年龄画像、大规模声纹检索、语种方言识别、音频指纹检索、音频事件分析等。
• 情感识别
• 语音合成：研究高音质、高表现力的语音合成技术及个性化语音合成，说话人转换技术，主要应用于语音交互、信息播报和篇章