基于注意力机制的语音识别

研究背景

在表达不同的情绪的语音，在人耳能感到的特征方面，有明显的区别 （如下图）

语音情绪识别的工具

• 传统的机器学习
• 深度学习

其中深度学习常见的是 卷积神经网络 和 循环神经网络， 前者适合应用于空间分布数据，后者更多的适合应用于时间性的分布数据。

由于情感的标签本身就具有一定的主观性，所以一般实验使用国际上广泛认证的两个最常用的数据集，都是由专业演员进行演绎，并有情感专家鉴别生成的数据集。

研究现状

语音情绪识主要有两个步骤组成： 特征提取 和 分类

特征提取方面

人们从语音中发现了并提取了一组与情绪状态密切相关的特征，作者使用短时窗口滑动的方式，提取了一组 6373 个特征的特征集。后来 Eyben 等人提出了一个更加简洁而有效的数据集（GeMAPS），这个数据集由 62 个特征组成。

分类器方面

语音情绪识别借鉴于在语音识别中，广泛应用的隐马尔科夫模型（HMM）去拟合情感状态进行分类。

语音情绪识别，主要是在两个方向上