搜索资源列表
STRAIGHT语音分析与合成技术
- 近几年来，在自然语言处理、信号处理、随机过程处理等方法的推动下，语音分析与合成技术获得了很大的发展，突破了传统的单纯语音计算算法的研究。情感语音分析与合成的研究，适应了语音技术的未来发展趋势,由于它能够很好的将语音的口语分析、情感分析与计算机技术有机的融合，为实现以人为本，具有个性化特征的语音合成系统，奠定基础。-STRAIGHT[1] is a high-quality speech analysis, modification and synthesis system based on a
Speech-Emotion-Recognition
- 基于主成分分析法和反向传输神经网络的语音情感识别 摘要——语音信号中包含着丰富的情感信息，尤其是语义信息。快乐、愤怒、厌恶、恐惧、悲伤，这五种基本情感是经过一个受认可的框架讨论和公认的，这个框架包括主成分分析法和BP神经网络。通过PCA从43种候选参数中筛选出11种参数作为确定某种特定的情感类别的标准。实验采用两种神经网络模型，One Class One Network 和 All Class One Network，并进行比较。实验结果表明，其可靠性达52 ~62 ，这说明用这种框架来识别
MFCC
- 适用于特征提取 以及语音情感的特征分析及提取-Suitable for feature extraction and speech emotion feature analysis and extraction
EmotionalCreature-master
- 模拟生物情感程序,包括情感分析，语音的变速变调，语音的合成和识别。-Simulated bio-affective procedures, including the emotional analysis, a shift of voice tone change, etc.. .
PCA
- 针对稀疏表示识别方法需要大量样本训练过完备字典且特征冗余度较高的问题，提出了结合过完备字典学习与PCA降维的小样本语音情感识别算法.该方法首先用PCA降维方法将特征降维，再将处理后的特征用于过完备字典训练与稀疏表示识别方法，从而给出了语音情感特征的稀疏表示方法，并确定了新算法的具体步骤.为验证其有效性，在同等特征维数下，将方法与BP, SVM进行比较，并对比、分析语音情感特征稀疏化前后对语音情感识别率、时间效率以及空间效率的影响.试验结果表明，所提出方法的识别率比SVM与BP高 与采用稀疏化前的
SentimentAnalysiswithSpeechAnalysis
- 该MATLAB例程是基于演讲的语音韵律分析工具，用于情感识别(The MATLAB routine is a sentiment analysis tool based on a speech prosodic analysis and used for sentiment recognition.)