Mar, 2024

机器学习中的语音信号处理：说话人隔离案例

PDF
TL;DR通过对傅里叶变换和小波变换等信号分解方法的简洁比较分析，讨论了衡量语音可懂度的指标，并提供了数学定义和直观解释，以帮助机器学习工程师在选择、调整和评估特定机器学习模型的分解方法时做出明智决策。
automated voice assistantsaudio processingsignal decomposition methodsspeech intelligibility metricsml model
发现论文，激发创造
  • 利用 Mel 频率倒谱系数（MFCC）和动态时间规整（DTW）技术的语音识别算法

    本文章探讨了数字处理语音信号和语音识别算法的重要性，介绍了特征提取和匹配的数字信号处理方法以及非参数模型和动态时间规整技术的优越性。

    Mar, 2010

  • 基于计算机深度学习的脑部疾病 MRI 特征提取数据处理系统研究

    通过矩阵操作结合混合噪声消除方法和小波分析，取代传统的迭代算法，实现功能性磁共振成像数据的处理，计算时间最快且检测效果可与传统迭代算法相媲美，提高了处理功能性磁共振成像数据的实用价值。

    Jun, 2024

  • 音频信号处理的深度学习

    该研究文章综述了当前音频信号处理领域中基于深度学习的技术，着重介绍了其在语音、音乐、环境声音处理中的相同点和差异，强调了其潜在的交叉互补性。文章介绍了主要的特征表示和深度学习模型，以及其在音频识别和合成分离领域的应用，并最终确定了深度学习在音频信号处理中的关键问题和未来研究方向。

    Apr, 2019

  • ML-ASPA：机器学习基于声音信号处理分析的思考与应用

    这篇论文在声学信号处理领域，重点讨论声学数据、机器学习、深度学习、以及肠鸣声分析的技术和发展。

    Dec, 2023

  • 信号处理与机器学习的交叉研究：基于应用案例分析方法

    近年来，感知、测量和计算技术的最新进展已大大扩展了基于信号的应用的潜力，利用信号处理和机器学习之间的协同作用来提高性能和可靠性。本文研究了信号处理和机器学习之间的知识缺口，并针对特征提取技术进行了综述和分类，提出了两种应用场景。

    Mar, 2024

  • 使用卷积神经网络比较环境声音分类的时频表示

    本研究比较了不同信号处理方法在卷积神经网络进行音频分类任务时所得到的频谱图表示，发现 Mel-scaled STFT 方法表现最佳。同时还发现，信号的特点以及转化窗口的大小都对分类结果有影响，2D 卷积神经网络在大多数情况下都比 1D 效果更好。

    Jun, 2017

  • 神经网络架构学习傅里叶变换、信号处理和更多

    通过在 AI 和神经架构的最新进展中采用傅里叶变换，本研究报告将探索和回答有关此过程的基本问题。进一步地，我们展示了如何通过学习从头开始的神经架构，为音频信号处理应用程序学习这些内核，并发现神经架构不仅可以学习正弦内核形状，还可以发现各种令人难以置信的信号处理特性，例如窗函数、起始检测器、高通滤波器、低通滤波器、调制等。

    Aug, 2023

  • 实时小波算法优化提高语音可懂度

    使用离散小波变换分频，不同的增益被应用到分频信号中以提高语音可懂度，可用于实时语音处理和比之前算法要简单得多

    Feb, 2022

  • 数字滤波在自然语言处理中将声音 (语音) 转换为文本

    本文介绍一种基于自然语言处理的语音识别接口，结合数字滤波、MFCC 和 HMM 等技术解决了语音识别中可能出现的技术问题，避免了语言、性别等因素对识别效果的影响。

    Sep, 2022

  • VoIP 平台上语音增强的心理声学挑战

    该研究通过对专有发送端降噪效果、Google Meets 和 Zoom 等平台的细致评估，以及使用 2020 年 Deep Noise Suppression (DNS) 数据集，结合 Oaxaca 分解法、心理声学度量标准 PESQ 和 STOI 来分析 VoIP 系统中的声学 - 语音扰动，提供了语音变化的全面理解，凸显了 VoIP 所影响的声学动态的复杂景象。此外，还包括了时间和时频领域的语音增强模型的领域外基准测试，从而提升了此研究的深度和适用性。

    Oct, 2023