特征參數(shù)模式比對在語音評分中的應(yīng)用研究.pdf

1、在語言學(xué)習(xí)過程中，發(fā)音不準(zhǔn)成為學(xué)習(xí)非母語的一道天然屏障。利用計算機(jī)來幫助口語發(fā)音教學(xué)能提高非母語學(xué)習(xí)的效益。 本文采用的語音評分是基于標(biāo)準(zhǔn)語音的評分；所運(yùn)用到的技術(shù)有特征參數(shù)的提取、模式比對方法的設(shè)計以及評分機(jī)制的建立等。其中特征參數(shù)部分采用以下特征參數(shù)：音量強(qiáng)度曲線（Magnitude）、基頻軌跡（Pitch Contour）以及梅爾倒譜參數(shù)（Mel-Frequency Cepstral Coefficients）；

2、本文所作的工作主要如下： 1.端點檢測算法，針對傳統(tǒng)雙門限端點檢測算法在噪聲環(huán)境下的不足之處，對算法細(xì)節(jié)做出了多處改進(jìn)。特別是在實際語音處理中，通過多次試驗和統(tǒng)計計算出符合含背景噪聲的語音信號的短時能量和平均過零率的閾值。 2.特征參數(shù)提取，總結(jié)了目前常用的幾種語音識別特征參數(shù)，詳細(xì)分析了傳統(tǒng)的線性預(yù)測編碼系數(shù)（Linear Prediction Coding Coefficient，LPCC）、Mel頻率倒譜系數(shù)（Me

3、l Frequency Cepstral Coefficient，MFCC）的原理、優(yōu)缺點和實現(xiàn)細(xì)節(jié)。針對MFCC特征的問題，提出的一種基于小波去噪的MFCC提取算法。該算法通過不同尺度的小波基，把含有噪聲的信號分解于不同頻段中；然后在各個頻段分別通過TEO （Teager能量算子）去噪，再把各個頻段的輸出通過小波重構(gòu)恢復(fù)信號，最后通過Mel濾波器組把小波系數(shù)轉(zhuǎn)換成MFCC。 3.語音評分機(jī)制，通過對一個完整的英語句子進(jìn)行處理，