利用ALIZE产生I向量用于说话人识别

针对同类语音数据的相似性和不同类数据具有不同几何距离的特点,提出了一种基于GMMSVM的说话人识别系统。该系统结合了GMM和SVM的优点,解决了GMM在语音数据较小时不能区分数据间的差异性及SVM在处

在说话人识别系统中,训练和测试环境的不匹配会造成识别性能的显著下降。把小波变换和维纳滤波结合起来对语音进行去噪。对于说话人识别,设计了一个由传统方法(如GMM、MLP和DTW)作为前识别器和通过小波分

很简单的了。难者不会，会者不难。看了就知道。呵呵。 输入文字，让你的电脑语音读出来，就是太机器似的说话声音不好，随便找来玩玩

针对多说话人聚类线性初始化方法精度较差的问题，提出了一种改进的聚类初始化方法。该方法引入BIC对由线性初始化产生的初始类进行检测分割，有效提升了说话人初始类纯度。最后将该方法应用到高斯混合模型（GMM

采集作者的声音信号为基本的原始信号。对语音信号进行频域分析后，进行加随机噪声处理并进行相关分析，设计滤波器并运用所设计的滤波器对价噪声信号进行滤波，绘制滤波后的时域波形和频谱。

本征音子说话人自适应算法在自适应数据量充足时可以取得很好的自适应效果,但在自适应数据量不足时会出现严重的过拟合现象。首先引入基于隐马尔可夫模型-高斯混合模型(HMM-GMM)的语音识别系统中本征音子说

为了使说话人识别系统在语音较短和存在噪声的环境下也具有较高的识别率, 基于矢量量化识别算法, 对提取的特征参数进行研究。把小波变换与美尔频率倒谱系数(MFCC )的提取相结合, 并将改进后的特征与谱质

说话人确认属于说话人识别(Speakerrecognition)中的一个子任务。根据任务目标不同,说话人识别可以分为说话人确认(SpeakerVerification)和说话人辨认(SpeakerId

端点检测-预加重-fourier变换定义-取成一维语音数据-MFCC神经网络部分-

在TI的DSK5402平台上构建了一个主要采用VQ方法的6个说话人识别系统。该系统采用了10阶的线性预测参数、10阶的线性预测倒谱参数及基音参数,提出了一种改进的LBG算法,以避免在迭代过程中产生空胞