多模式语音端点检测.pdfVIP

清华大学学报 自然科学版 年 第 卷 第 期 !# $%%%%%’( - .*%%’ (’ C,+D )# $$***+,# - .=*%%’= B(’= B DCEDCC /012345678329 :2; 0:5 ?@A #@ 多模式语音端点检测 刘 鹏= 王作英 清华大学 电子工程系 北京 - = $%%%D(. 摘 要 在语音信号处理系统中 基于帧能量的语音端点检 1$2 1*2 F = 法是利用音频流的某些特征 如帧能量 或熵 进 = 测 往往受到语音段能量不平 - = . 9@2:7:R292ROPR:R2@3 ?IS 行判决 这些方法有其不足 基于帧能量的方法本 J F 稳及噪声的影响 为了提高语音端点检测的性能和鲁棒性 = = 质上是在进行声音而非语音检测 基于熵的方法虽 U 引入视觉信息 该文提出采用基于数据驱动的线性变换生成 J 考虑了语音的某些特性 但是在像交叠谈话噪声这 = 视 觉特征 在提出一个基于统计的 一般模型的基础上 = ?IS 样的非平稳噪声环境中性能也会明显下降J 构建两个单模式的 系统 通过两步式的融合方法 得到 ?IS = = 1+2 近年来 多模式交互系统 正得到越来越广泛 了多模式的 系统 实验表明 同时利用音频和视觉信 = ?IS J F 的研究 它除利用听觉模式外 还利用其他携带有效 息的多模式?IS 比基于帧能量的听觉?IS 在帧错误率上 = = 信息的模式 如视觉模式 主要是嘴唇的运动图像 有 的相对下降 在断句错误率上有 的相对下 = - . ’’B%T = CDB’T 降 这一结果说明多模式 方法基本可以避免断句错误 来完成语音理解和表达过程 在这样的系统中 可望