本文介绍了一个大规模的音频 - 视觉说话人识别数据集，用于使用卷积神经网络模型和训练策略在各种条件下有效识别声音中的身份，并展示出比以前的成果更高的性能表现。

Jun, 2018

使用弱监督的异常检测方法，结合卷积神经网络和预训练特征提取器检测宝宝的哭声。

Apr, 2023

本文介绍了一种基于计算机视觉技术的全自动管道，用于从开源媒体中创建一个大规模的必须文本无关语音识别数据集，并在其上应用和比较不同的演讲者识别技术以建立性能基线。

Jun, 2017

本文介绍了 CN-Celeb 数据集，它是一个大规模的演讲者识别数据集，收集了来自 1000 个中国名人的超过 130,000 个话语，覆盖了现实世界中的 11 个不同流派，并表明在实际情况下，现有技术的性能可能比预期的要差得多。

Oct, 2019

本文探讨了自我监督学习（SSL）在分析超过一千名新生儿的临床指示下的呜 cries 数据库方面的应用，其中包括神经损伤的 cry 检测以及疼痛、饥饿和不适的 cry 触发器的识别。通过使用大量的无标签音频数据进行预训练和 SSL 对比损失（SimCLR）进行预训练，我们表明其在神经损伤和 cry 触发器方面都比监督式预训练有更好的表现。此外，我们还通过使用未标记的婴儿 cry 进行基于 SSL 的域自适应，进一步提高了性能，并减少了整个系统所需的标记数据。

May, 2023

通过机器学习应用于儿童保育机构，本研究的目的是检测儿童虐待场景，以提高儿童的安全性，通过对儿童的声音进行分类和识别，预测儿童当前发出的声音是哭泣、尖叫还是笑声，并实时向相关人员发送警报，通过同时使用视频图像分类的混合方式，可以显著提高儿童虐待侦测的准确性，减少幼儿园儿童受到暴力虐待的可能性，使工作人员能及时干预即将发生或刚刚开始的儿童虐待事件。在该实验中收集的数据集完全来自儿童保育机构现场录制的声音，包括哭泣声、笑声、尖叫声和背景噪音，这些声音文件使用短时傅里叶变换转换为频谱图，然后将这些图像数据导入到一个 CNN 神经网络进行分类，最终训练的模型在声音检测方面可以达到约 92% 的准确率。

Jul, 2023

研究使用基于 ML 的音频分析方法在新型多模式可穿戴设备 LittleBeats 中进行婴儿语言交互的监测，为早期识别和干预身心健康方面的发展障碍提供了可靠的工具和分析结果。

Mar, 2022

该研究利用机器学习方法，提取婴儿和照顾者的声音，通过 UMAP 算法在二维空间中获得连续和良好分布的空间，研究发现随着婴儿年龄的增加，婴儿声音在二维空间中的分散度会增加以及婴儿声音与成人声音的相似度也会随婴儿年龄的变化而变化。

Apr, 2022

通过 EmoGator 数据集探讨机器识别人类言语之外的表情声音，辅助情感分析，为日后研究提供方向，并提供数据下载。

Jan, 2023

在先进的人工智能和人机交互时代，识别口语中的情绪至关重要。本研究探讨了深度学习技术在语音情绪识别中的应用，提供了一个综合的解决方案，解决了说话人分离和情绪识别中的挑战。该研究引入了一个框架，将现有的说话人分离流程与基于卷积神经网络（CNN）构建的情绪识别模型相结合，以实现更高的准确性。所提出的模型经过五个语音情绪数据集的训练，包括 RAVDESS、CREMA-D、SAVEE、TESS 和电影片段。从每个样本中提取的特征包括梅尔频率倒谱系数（MFCC）、过零率（ZCR）、均方根（RMS）以及 pitch、noise、stretch 和 shift 等各种数据增强算法。这种特征提取方法旨在提高预测准确性同时降低计算复杂性。所提出的模型能够以 63% 的不加权准确率准确识别语音信号中的情绪状态，展示了出色的效率。

Oct, 2023