四分之一调频谱包络用于嗓音与普通语音分类

嗓音语作为人机交互的可接受形式正在逐渐流行。针对多模式语音系统，需构建鲁棒的前端语音分类器。在加性白高斯噪声存在时，嗓音语与普通语音分类性能下降，因为普通语音呈现出部分嗓音语的特征。本文提出一种新特征——四分之一调频谱包络，即将调频谱与四分之一谱包络的组合，用于区分类声语与普通语音。调频谱可针对特定任务进行微调，以获得定制化特征，四分之一谱包络已被证明在当前任务中尤为有效。该特征基于一维卷积神经网络进行训练，能够捕捉谱包络的变化趋势。本文提出的系统在白噪声环境下的性能优于现有方法。