语音处理及人机交互技术

第1章 绪论 1

1.1 语音信号技术的历史 1

1.2 语音信号技术应用及新方向 3

1.2.1 语音信号的识别 3

1.2.2 语音信号的合成 4

1.2.3 语音信号的编码 4

参考文献 5

第2章 语音信号的声学基础 7

2.1 语音信号的产生 7

2.1.1 语音发音器官 7

2.1.2 语音声学特征 10

2.1.3 语音信号的时域及频域表示 11

2.1.4 汉语语音分类 13

2.1.5 汉语语音韵律特性 16

2.2 语音信号的感知 16

2.2.1 人的听觉系统 17

2.2.2 人耳的听觉特性 19

2.2.3 人耳听觉的掩蔽效应 20

2.3 语音信号生成的数学模型 26

2.3.1 激励模型 26

2.3.2 声道模型 28

2.3.3 辐射模型 30

2.3.4 语音信号的数学模型 31

2.4 语音产生的非线性模型 33

2.4.1 调频-调幅模型的基本原理 33

2.4.2 Teager能量算子 34

2.4.3 能量分离算法 34

2.4.4 调频-调幅模型的应用 36

参考文献 36

第3章 语音信号的分析 38

3.1 语音信号预处理步骤 38

3.1.1 采样与量化 38

3.1.2 预加重 39

3.1.3 分帧与加窗 40

3.1.4 端点检测 42

3.2 语音信号的时域分析 43

3.2.1 短时能量分析 44

3.2.2 短时平均过零率 44

3.2.3 短时自相关函数和短时平均幅度差函数 45

3.3 语音信号的频域分析 47

3.3.1 滤波器组方法 47

3.3.2 傅里叶频谱分析 48

3.3.3 线性预测倒谱系数 49

3.3.4 Mel频率倒谱系数 51

3.4 语音信号的倒谱分析 53

3.4.1 同态信号处理的基本原理 54

3.4.2 复倒谱和倒谱 56

3.5 语音信号的小波分析 57

参考文献 58

第4章 语音增强 60

4.1 语音信号与语音增强 60

4.1.1 语音特性 60

4.1.2 人耳感知特性 61

4.1.3 噪声特性 61

4.1.4 语音增强的信号模型 63

4.2 谱减法语音增强 64

4.2.1 基本原理 65

4.2.2 基本谱减法的改进 66

4.3 维纳滤波法语音增强 67

4.4 卡尔曼滤波法语音增强 68

4.5 最小均方误差法的语音增强 71

4.6 语音增强的一些新发展 73

参考文献 75

第5章 模式识别算法及应用 77

5.1 矢量量化的基本原理 77

5.2 矢量量化的失真测度 78

5.2.1 欧氏距离测度 79

5.2.2 线性预测失真测度 80

5.2.3 识别失真测度 81

5.3 人工神经网络的基本原理 81

5.4 人工神经网络的基本构成 83

5.4.1 人工神经元模型 83

5.4.2 神经网络有向图表示 85

5.4.3 神经网络结构及工作方式 86

5.5 基本神经网络模型及算法 87

5.5.1 单层感知器 87

5.5.2 多层感知器 90

5.5.3 径向基函数神经网络模型 92

5.5.4 循环神经网络 93

5.5.5 支持向量机 95

参考文献 98

第6章 语音信号的识别 99

6.1 语音识别概述 99

6.2 孤立词语音识别 100

6.3 连续词语音识别 102

6.4 说话人识别 103

6.4.1 说话人识别概述 103

6.4.2 说话人识别特征选取 103

6.4.3 说话人识别系统的结构 107

6.4.4 说话人识别中的识别方法 108

6.4.5 说话人识别中需进一步研究的问题 109

6.5 语音信号预处理 110

6.6 语音信号识别特征提取 111

6.7 语音信号识别方法 113

6.8 隐马尔可夫模型基本原理及在语音识别中的应用 114

6.8.1 马尔可夫链 114

6.8.2 隐马尔可夫模型的定义 115

6.8.3 隐马尔可夫模型的三个问题 115

6.8.4 隐马尔可夫模型在语音识别中的应用 118

6.9 动态时间规整算法 120

参考文献 122

第7章 语音信号的合成 123

7.1 概述 123

7.2 语音合成的基本方法 124

7.2.1 以单词为基础的合成方法 124

7.2.2 以音节为基础的合成方法 125

7.2.3 以音素为基础的合成方法 126

7.3 共振峰合成法 127

7.4 线性预测合成法 129

7.5 语音合成专用硬件介绍 132

7.6 PSOLA算法合成语音 134

7.7 文语转换系统 136

参考文献 138

第8章 语音信号定位与分离技术 140

8.1 声源定位技术 140

8.1.1 基于麦克风阵列的定位方法 140

8.1.2 基于人耳听觉机理的声源定位 143

8.2 语音分离技术 149

8.2.1 计算听觉场景分析 149

8.2.2 计算听觉场景分析的语音分离模型 154

8.2.3 独立分量分析 155

8.3 声源定位与语音分离实现方法 167

参考文献 169

第9章 基于听觉机制的语音识别 171

9.1 人耳的听觉机制 171

9.1.1 人耳听觉中枢的物理结构 171

9.1.2 人耳听觉中枢的听觉机理 172

9.2 人耳听觉系统的基本模型 172

9.2.1 人耳听觉系统的外周听觉模型 173

9.2.2 人耳听觉系统的内毛细胞模型 177

9.2.3 人耳听觉系统的重合神经元模型 181

9.3 多声源环境下人耳语音定位模型 183

9.3.1 双耳线索 183

9.3.2 耳廓效应 184

9.3.3 双耳时间差模型 185

9.3.4 多声源环境下声源定位系统的设计 185

9.4 多声源环境下人耳语音分离模型 188

9.4.1 语音信号分离的反演模型 188

9.4.2 语音信号分离系统的设计 189

9.5 基于听觉机制的语音识别系统 190

参考文献 191

第10章 基于语音的人机交互及应用 193

10.1 人机交互的研究及发展 193

10.1.1 人机交互概述 193

10.1.2 人机交互的研究内容 194

10.1.3 人机交互的发展历程 195

10.2 语音人机交互及其应用 196

10.2.1 语音人机交互概述 196

10.2.2 语音人机交互与智能轮椅 196

10.2.3 语音人机交互与智能电视 197

10.2.4 语音人机交互的其他应用 198

参考文献 199