【正文】 ? 注意：不要單擊 【 取消 】 按鈕來關(guān)閉
。具體操作如下： 多媒體技術(shù)基礎(chǔ)與應(yīng)用 ? （ 1）在語音停頓處選取一段有代表性的環(huán)境噪聲，它的時(shí)間長(zhǎng)度應(yīng)不少于 。 多媒體技術(shù)基礎(chǔ)與應(yīng)用 【 屬性 】 對(duì)話框 多媒體技術(shù)基礎(chǔ)與應(yīng)用 ? 在語音停頓的地方會(huì)有一種振幅變化不大的聲音，如果這種聲音貫穿于錄制聲音的整個(gè)過程，這就是環(huán)境噪聲。 ? 錄音結(jié)束后，錄制的聲音波形將顯示在波形顯示區(qū)中。當(dāng)垂直線到達(dá)時(shí)間軸的終點(diǎn)時(shí)，錄音結(jié)束。 ? （ 4）在聲音播放工具中，單擊 【 錄音 】 按鈕，用麥克風(fēng)開始錄音。一般規(guī)律是：除了錄制語音選擇單聲道以外，其他聲音采用立體聲。 多媒體技術(shù)基礎(chǔ)與應(yīng)用 ? （ 3）執(zhí)行 【 文件 /新建 】 菜單命令，顯示 【 新建波形 】對(duì)話框。在 【 錄音控制 】 窗口中，顯示剛才選擇的聲源，選中 【 麥克風(fēng) 】 聲源下的 【 選擇 】 復(fù)選框，選定聲源為麥克風(fēng)。注意，使用不同的操作系統(tǒng)，該列表框中的顯示也不同，但大致概念一樣。雙擊 Windows任務(wù)欄中的小喇叭形狀的 【 音量 】 圖標(biāo)，彈出 【 錄音控制 】 窗口，執(zhí)行 【 選項(xiàng) 】 → 【 屬性 】 命令，彈出 【 屬性 】 對(duì)話框，如圖。 多媒體技術(shù)基礎(chǔ)與應(yīng)用 ? （ 1）接好話筒，保證聲卡工作正常。在 【 錄音控制 】 窗口中，顯示剛才選擇的聲源，選中 【 麥克風(fēng) 】 聲源下的 【 選擇 】 復(fù)選框，選定聲源為麥克風(fēng)。注意，使用不同的操作系統(tǒng)，該列表框中的顯示也不同，但大致概念一樣。雙擊 Windows任務(wù)欄中的小喇叭形狀的【 音量 】 圖標(biāo)，彈出 【 錄音控制 】 窗口，執(zhí)行 【 選項(xiàng) 】 →【 屬性 】 命令，彈出 【 屬性 】 對(duì)話框，如圖 。 多媒體技術(shù)基礎(chǔ)與應(yīng)用 連接詞語音識(shí)別系統(tǒng) ? 連接詞的語音由所說的短語組成，而短語又是由詞序列組成 ? 識(shí)別連接詞短語中單詞的一種方法是采用詞定位技術(shù) ? 類似于孤立詞語音識(shí)別，連接詞語音識(shí)別用于命令和控制應(yīng)用 多媒體技術(shù)基礎(chǔ)與應(yīng)用 連續(xù)語音識(shí)別系統(tǒng) ? 連續(xù)語音由在聽寫中形成段落的完整句子組成 ? 連續(xù)語音識(shí)別系統(tǒng)可以分成下列三部分： – 第一部分包括數(shù)字化、幅度歸一化、時(shí)間歸一化和參數(shù)表示 – 另一部分包括分割并把語音段標(biāo)記成在基于知識(shí)或基于規(guī)則系統(tǒng)上的符號(hào)串 – 最后一部分是設(shè)計(jì)用于識(shí)別詞序列而進(jìn)行語音段匹配 多媒體技術(shù)基礎(chǔ)與應(yīng)用 語音識(shí)別的應(yīng)用 ? 語音郵件集成 ? 數(shù)據(jù)庫輸人和詢問應(yīng)用 ? 語音命令和控制應(yīng)用 多媒體技術(shù)基礎(chǔ)與應(yīng)用 應(yīng)用與實(shí)例 ? （ 1）接好話筒，保證聲卡工作正常。 ? 在訓(xùn)練系統(tǒng)時(shí)，男聲和女聲、不同的口音和方言，以及帶有背景噪音的環(huán)境都計(jì)入了考慮范圍之內(nèi)以生成參考模板。它不需要任何來自用戶的訓(xùn)練，因?yàn)樗灰蕾囉趥€(gè)人的語音簽名。 多媒體技術(shù)基礎(chǔ)與應(yīng)用 語音識(shí)別系統(tǒng)的類型 語音識(shí)別系統(tǒng)有以下幾種分類方式： – 根據(jù)對(duì)說話人的依賴程度可以分為 特定人 和 非特定人 語音識(shí)別系統(tǒng) – 根據(jù)對(duì)說話人說話方式的要求，可以分為 孤立字（詞） 語音識(shí)別系統(tǒng)， 連接詞 語音識(shí)別系統(tǒng)以及 連續(xù)語音 識(shí)別系統(tǒng) – 根據(jù)詞匯量大小，可以分為小詞匯量、中等詞匯量、大詞匯量以及無限詞匯量語音識(shí)別系統(tǒng) 多媒體技術(shù)基礎(chǔ)與應(yīng)用 特定人語音識(shí)別系統(tǒng) ? 特定人的識(shí)別系統(tǒng)精明得足以能了解講話者的語音特點(diǎn)，它從語音簽名上就能知道講話者的身份。 多媒體技術(shù)基礎(chǔ)與應(yīng)用 典型語音識(shí)別系統(tǒng)的實(shí)現(xiàn)過程 多媒體技術(shù)基礎(chǔ)與應(yīng)用 語音識(shí)別單元的選取 ? 選擇識(shí)別單元是語音識(shí)別研究的第一步 ? 語音識(shí)別單元有單詞（句）、音節(jié)和音素三種 ? 單詞單元廣泛應(yīng)用于中小詞匯語音識(shí)別系統(tǒng) ? 音節(jié)單元多見于漢語語音識(shí)別 ? 音素單元以前多見于英語語音識(shí)別的研究中，但目前中、大詞匯量漢語語音識(shí)別系統(tǒng)也在越來越多地采用 多媒體技術(shù)基礎(chǔ)與應(yīng)用 特征參數(shù)提取技術(shù) ? 語音信號(hào)中含有豐富的信息，這些信息稱為語音信號(hào)的聲學(xué)特征 ? 特征提取是對(duì)語音信號(hào)進(jìn)行分析處理，去除對(duì)語音識(shí)別無關(guān)緊要的冗余信息，獲得影響語音識(shí)別的重要信息 ? 由于語音信號(hào)的時(shí)變特性，特征提取必須在一小段語音信號(hào)上進(jìn)行，也即進(jìn)行短時(shí)分析 多媒體技術(shù)基礎(chǔ)與應(yīng)用 常用的一些聲學(xué)特征 ? 線性預(yù)測(cè)系數(shù) LPC ? 倒譜系數(shù) CEP ? Mel倒譜系數(shù) MFCC和感知線性預(yù)測(cè) PLP 多媒體技術(shù)基礎(chǔ)與應(yīng)用 模式匹配及模型訓(xùn)練技術(shù) ? 模型訓(xùn)練是指按照一定的準(zhǔn)則，從大量已知模式中獲取表征該模式本質(zhì)特征的模型參數(shù)，而模式匹配則是根據(jù)一定準(zhǔn)則，使未知模式與模型庫中的某一個(gè)模型獲得最佳匹配。 ? 語音識(shí)別技術(shù)主要包括 特征提取技術(shù) 、 模式匹配準(zhǔn)則及模型訓(xùn)練 技術(shù)三個(gè)方面。 多媒體技術(shù)基礎(chǔ)與應(yīng)用 語音識(shí)別技術(shù)的發(fā)展 如圖表示了從 80年代初以來語音識(shí)別技術(shù)經(jīng)歷的從孤立詞 、 小詞匯量 、 特定人到大詞匯量 、 非特定人 、 自然口語識(shí)別的發(fā)展歷程 。 ? 80年代，語音識(shí)別研究進(jìn)一步走向深入，其顯著特征是HMM模型和人工神經(jīng)元網(wǎng)絡(luò)（ ANN）在語音識(shí)別中的成功應(yīng)用。 ? 60年代，計(jì)算機(jī)的應(yīng)用推動(dòng)了語音識(shí)別的發(fā)展。 多媒體技術(shù)基礎(chǔ)與應(yīng)用 語音識(shí)別的發(fā)展歷史 ? 語音識(shí)別技術(shù)的研究工作始于 20世紀(jì) 50年代，當(dāng)時(shí) ATamp。 ? 復(fù)雜學(xué)科交叉 語言學(xué)、生理學(xué)、心理學(xué)方面的研究成果已有不少，但如何把這些知識(shí)量化、建模并用于語音識(shí)別，還需研究。 ? 芯片的運(yùn)算能力不足 從算法和計(jì)算過程的角度看，語音識(shí)別其實(shí)是一個(gè)人工智能的問題，如果芯片的運(yùn)算速度足夠快，很多語音識(shí)別的技術(shù)難題就可以迎刃而解。 多媒體技術(shù)基礎(chǔ)與應(yīng)用 語音識(shí)別技術(shù)難點(diǎn) ? 標(biāo)準(zhǔn)輸入的難題 不要小看鼠標(biāo)和鍵盤，雖貌似技術(shù)含量低，但它所具備的統(tǒng)一的輸入標(biāo)準(zhǔn)和精準(zhǔn)的視覺反饋這兩點(diǎn)，正是語音識(shí)別技術(shù)目前的短板。顯然，一項(xiàng)尚在發(fā)展的技術(shù)被人誤傳成了 “ 成品 ” 。盡管許多公司竭力炒作其技術(shù)可以實(shí)現(xiàn)很高的準(zhǔn)確率，但是準(zhǔn)確率往往只有80%到 85%。 98%的準(zhǔn)確率及能夠識(shí)別 10萬余字的功能似乎幾個(gè)月內(nèi)就會(huì)淘汰鍵盤、甚至手寫筆。市場(chǎng)領(lǐng)導(dǎo)廠商如 Dragon和 Lernout Hauspie(Lamp。 ? 世界最智能的機(jī)器人 Ksimo,可以跳舞，上下樓梯，正常語速和人交流。 然而在 06年的一次公開示范中， Vista語音識(shí)別系統(tǒng)認(rèn) “ Mom”為 “ Aunt” ，并 100%誤讀了演示員工的意思，使業(yè)界嘩然。微軟推出 Vista能識(shí)別 8種語言。 多媒體技術(shù)基礎(chǔ)與應(yīng)用 現(xiàn)實(shí)的語音識(shí)別產(chǎn)品 ? 比爾 智能機(jī)器人不滿于他們卑微的社會(huì)地位而起來造反，妄圖占領(lǐng)人類社會(huì)。為此，他和另一個(gè)大機(jī)器人喬踏上了尋找人性之路的歷程。未來的機(jī)器人不但擁有亂真的外表，而且還能夠感知自己的存在。 ? 科幻電影，是科學(xué)幻想與人性的結(jié)合，一定側(cè)面上反映了人類對(duì)科學(xué)與人生，科學(xué)與社會(huì)的看法。因此，高保真聲音的信號(hào)頻率約為 20kHz，采樣頻率就選為 ______。 多媒體技術(shù)基礎(chǔ)與應(yīng)用 4. 采樣頻率的高低是根據(jù)奈奎斯特理論和聲音信號(hào)本身的最高頻率決定的。 ? 聲卡模擬輸入輸出的品質(zhì)和 CODEC的轉(zhuǎn)換品質(zhì)有著重大的關(guān)系，音頻加速器或 I/O控制器決定了聲卡內(nèi)部數(shù)字信號(hào)的質(zhì)量，而 CODEC則決定了模擬輸入輸出的好壞。為了提高 信噪比 ， Intel公司的AC’97規(guī)范建議將 CODEC獨(dú)立出來，以減少電子干擾。 多媒體技術(shù)基礎(chǔ)與應(yīng)用 ?外部輸入 /輸出口 麥克風(fēng)接口 (Mic in)－實(shí)現(xiàn)聲音輸入、外錄功能 線性輸入口 (Line in)－實(shí)現(xiàn)相關(guān)設(shè)備的音源輸入 音頻輸出口 (Line out)－實(shí)現(xiàn)聲音輸出 揚(yáng)聲器輸出 (SPK out)－通過聲卡功放輸出放大信號(hào)，用于連接無源音箱。 ? 多媒體計(jì)算機(jī)只有通過合成器才能播放 MIDI文件。同時(shí)又可以通過模數(shù)轉(zhuǎn)換器(A/D)將麥克風(fēng)或 CD的輸入信號(hào)轉(zhuǎn)換成數(shù)字信號(hào)，送到計(jì)算機(jī)進(jìn)行處理。 ? 聲卡可分為模數(shù)轉(zhuǎn)換電路和數(shù)模轉(zhuǎn)換電路兩部分 ,模數(shù)轉(zhuǎn)換電路負(fù)責(zé)將麥克風(fēng)等聲音輸入設(shè)備采到的模擬信號(hào)轉(zhuǎn)換為電腦能處理的數(shù)字信號(hào)，此過程稱為ADC(Analog to Digital Conversion)；而數(shù)模轉(zhuǎn)換電路負(fù)責(zé)將電腦使用的數(shù)字聲音信號(hào)轉(zhuǎn)換為喇叭等設(shè)備能使用的模擬信號(hào)，這個(gè)過程稱為 DAC (Digital to Analog Conversion)。 根據(jù)不同的錄音要求和所需的專業(yè)程度，選擇適合的軟件才是最重要的。雖然軟件在穩(wěn)定性上還不如硬件，但也有其優(yōu)越之處，如使用方便和容易更新等。 MIDI是一種數(shù)字接口 ,而計(jì)算機(jī)始終是以數(shù)字方式工作的 ,當(dāng)樂器與計(jì)算機(jī)聯(lián)接在一起時(shí) ,它的實(shí)力才真正顯露出來。 多媒體技術(shù)基礎(chǔ)與應(yīng)用 音頻編碼標(biāo)準(zhǔn) 7. MIDI標(biāo)準(zhǔn) MIDI是 Music Instrument Digital Interface 的縮寫，一般翻譯為 “ 數(shù)字化樂器接口 ” ，也就是說它的真正涵義是一個(gè)供不同設(shè)備進(jìn)行信號(hào)傳輸?shù)慕涌诘拿Q。對(duì)于頻譜密集、音量大的聲音元素應(yīng)該獲得較多的數(shù)據(jù)占有量，而那些由于掩蔽效應(yīng)而聽不到的聲音則少占用或不占用數(shù)據(jù)量。由于人類的聽覺對(duì)不同頻率的聲音具有不同的靈敏度，因此各頻段的寬度并不完全一樣，每一個(gè)頻段所占有的數(shù)據(jù)量不是平均分配的。圖 MPEG1第三層的編碼器和解碼器的原理圖。雖然層 3所用的濾波器組與層 1和層 2所用的濾波器組的結(jié)構(gòu)相同，但是層 3還使用了修正的離散余弦變換 MDCT，對(duì)層 1和層 2的濾波器組的不足作了一些補(bǔ)償。 樂器數(shù)字接口 MIDI 多媒體技術(shù)基礎(chǔ)與應(yīng)用 音頻編碼標(biāo)準(zhǔn) ： 多媒體技術(shù)基礎(chǔ)與應(yīng)用 音頻編碼標(biāo)準(zhǔn) 3. MP3壓縮標(biāo)準(zhǔn) MPEG1第三層合并了 MUSIC和 ASPEC算法，第三層的輸出就是通常所說的 MP3。電腦把這些指令交由聲卡去合成相應(yīng)的聲音 (如依指令發(fā)出鋼琴聲或小提琴聲等 )。 ? MIDI規(guī)范不僅定義了電腦音樂程序、音樂合成器及其它電子音樂設(shè)備交換音樂信號(hào)的方式，而且還規(guī)定了不同廠家的電子樂器與電腦連接的電纜和硬件及設(shè)備間數(shù)據(jù)傳輸?shù)膮f(xié)議，可用于為不同樂器創(chuàng)建數(shù)字聲音，能很容易地模擬鋼琴、小提琴等傳統(tǒng)樂器的聲音。 ? MP4在加密和授權(quán)方面也做了特別的設(shè)計(jì)。 多媒體技術(shù)基礎(chǔ)與應(yīng)用 MPEG音頻編碼標(biāo)準(zhǔn) ? MPEG音頻編碼標(biāo)準(zhǔn)具有可伸縮性，根據(jù)采用的壓縮因子的不同可以獲得不同的音質(zhì)。 多媒體技術(shù)基礎(chǔ)與應(yīng)用 音頻編碼標(biāo)準(zhǔn)比較 多媒體技術(shù)基礎(chǔ)與應(yīng)用 MP3壓縮技術(shù) ? MP3(即 Motion Picture Experts Group1 audio layer 3)是近年來發(fā)展非常迅速的一種音頻文件格式，具有文件小、音質(zhì)佳的特點(diǎn)，它利用 MPEG Audio Layer 3的技術(shù)將 WAV文件再加以壓縮成為標(biāo)準(zhǔn)音頻 CD文件的十二分之一。 多媒體技術(shù)基礎(chǔ)與應(yīng)用 為了進(jìn)一步降低壓縮的速率， CCITT于1992年制定了 ，使用基于低時(shí)延碼本激勵(lì)線性預(yù)測(cè)編碼 (LDCELP)算法，其速率為 16kb/s，主要用于公共電話網(wǎng)中。 多媒體技術(shù)基礎(chǔ)與應(yīng)用 1996年 ITUT通過了 － “ 用于多媒體傳輸?shù)?碼 ” 。 ? 224kb/s的調(diào)幅廣播質(zhì)量的音頻信號(hào)壓縮為 64kb/s，主要用于視聽多媒體和會(huì)議電視等。其速率為 64kb/s，使用 μ律或 A律的非線性量化技術(shù)，主要用于公共電話網(wǎng)中。在接收端譯碼時(shí)，將每個(gè)子帶的代碼單獨(dú)譯碼，然后把它們組合起來，還原成原來的音頻信號(hào)。對(duì)每個(gè)子帶中的音頻信號(hào)采用單獨(dú)的編碼方案去編碼。 多媒體技術(shù)基礎(chǔ)與應(yīng)用 音頻信號(hào)的壓縮技術(shù) ： 接收端：在接收端，把總信碼分成各子帶信碼，再進(jìn)行插值，頻率搬移到原來的位置，帶通濾波然后相加得到重建信號(hào)。 多媒體技術(shù)基礎(chǔ)與應(yīng)用 音頻信號(hào)的壓縮技術(shù) ： 輸入端：首先用一組帶通濾波器將輸入信號(hào)分成若干子帶信號(hào)，然后將這些子帶信號(hào)通過頻率搬移變成基帶信號(hào)，再對(duì)它們分別進(jìn)行采樣，量化編碼后再將子帶的信碼合路成一個(gè)總信碼傳輸?shù)浇邮斩恕? 多媒體技術(shù)基礎(chǔ)與應(yīng)用 音頻信號(hào)的壓縮技術(shù) ： （ 1）盡管這個(gè)方法是有損的，但人耳卻感覺不到編碼信號(hào)質(zhì)量的下降 ； （ 2）感知編碼器的有效性部分源自采用了自適應(yīng)的量化方法 ； （ 3）一般感知編碼采用兩種比特分配方案 ：前向自適應(yīng)分配方案 、后向自適應(yīng)分配方案 ； （ 4）感知編碼有一定的抗噪性 ； （ 5）由于感知編碼器根據(jù)人耳的靈敏度來編碼，它也可