新媒体语音处理与语音识别技术思维导图

是人类交流和交换信息中最便捷的工具和最重要的媒体

因此,在数字新媒体内容与应用中有着极其重要的位置

语音领域的数字音频处理技术主要包括三方面的内容

即语音合成、语音识别和语音增强。 特别是语音识别技术为人机交互提供了一个更友好的界面

让机器模仿人类的语言发音来传送信息

数字语音合成方法主要有波形编码语音合成、参数式分析语音合成和规则语音合成技术

文，语转换系统是语音合成技术的典型应用

从带噪声信号中提取尽可能纯净的原始语音

然而,由于干扰通常是随机的,从带噪声语音中提取完全纯净的语音几乎是不可能的

因此,语音增强主要是两方面的目的

集声学、语音学、语言学、计算机、信息处理和人工智能等诸领域的一项综合技术

应用需求十分广阔,在近半个多世纪以来一直是人们研究的热点

其研究成果已广泛应用于数字新媒体的各个领域

一个模式识别匹配的过程,即从经预处理后的语音波形中提取语音信号特征,特征提取是模式识别的关键

然后与经过训练建立的模式库进行比对(模式匹配)按照相应的准则得出最佳的识别输出

语音识别系统的分类标准很多

语音识别的目标是让计算机能理解自然语言

这是研究如何根据语言来辨别说话人的身份、确定说话人的姓名等

还可以从语音识别系统的实现细节的其他方面对语音识别系统进行分类

比如基于模板匹配的语音识别系统、基于概率统计模型的识别系统、基于人工神经网络的语音识别系统等

也可以根据语音识别系统所完成的任务来分,如语音命令系统、语音听写机系统、关键词确认系统等

在音频编码标准领域取得巨大成功的是国际标准组织和国际电工委员会(ISO/ IEC)制定推荐的 MPEG 标准,即 MPEG 1/ 2/ 4 等

MPEG 1 是世界上第一个高保真音频数据压缩标准

是针对最多两声道的音频而开发的,属于感知编码,规定了三个不同层次的编码方案

I,II 层建立在 MUSICAM(掩蔽模式通用子带集成编码和多路复用)编码算法基础之上

III 层复杂度最高,综合了ASPEC(自适应频率感知熵)和 OCF(频域最佳编码)算法,支持网络音乐传输(MP3 文件)

随着技术的不断进步,原有的立体声形式已不能满足观众对声音节目的欣赏要求

这使得具有更强定位能力和空间效果的三维音频编码技术得到蓬勃发展

其中最具代表的就是多声道环绕立体声编码技术

在已经存在的多声道音频编码标准中,杜比 AC 3 和 MPEG AAC 是两个最重要、应用最广泛的音频编码标准

由杜比实验室开发的数字式多声道环绕立体声系统,美国的数字电视标准ATSC 也选取了AC 3 作为音频编码标准

而 MPEG 2 规定了两种音频压缩编码算法,一种称为 MPEG 2 后向兼容多声道音频编码标准(MPEG 2 BC)

另一种称为高级音频编码标准(MPEG 2AAC),与 MPEG 1 不兼容

MPEG 2 AAC 标准是一种新的技术音频表述标准,支持每个声道在 64Kbps码率下相当高音质的多声道应用

它支持 48 个主声道,16 个低频声道,16 个多语言/ 解说词通道和 16 路数据流,也支持 8—96kHz 范围内的取样频率

AAC 增加了诸如对立体声的完美再现、比特率效果音扫描、多媒体控制、降噪平滑等

MP3 所不具备的特性,使得该压缩音频在解压后仍能完美地再现 CD 音质

欧洲的数字电视标准选取了 MPEG 2 AAC 作为音频压缩标准