本源程序代码的目的是给出语音情感计算的概况以及最新进展，探讨语音情感计算的整个过程。首先，介绍了语音情感计算的定义以及它的交叉学科的本质。接下来，从数字信号处理的角度研究了基于最常用的数字语音信号特征——MFCC的语音情感检测的全过程。然后，利用柏林语音情感数据库分析了在提取MFCC的过程中一些具体的参数的选择对检测结果准确率的影响。最后，阐述了语音情感计算领域面临的挑战以及今后的可能发展趋势。
用的是柏林语音情感数据库，最终的识别率勉强接近50%，存在的问题我也思考了，但是一时解决不了。
2022-12-21 13:42:55
20KB
1
Attention-BiLSTM模型结构及所有核心代码：
1.model中实验的模型有BiLSTM、ATT-BiLSTM、CNN-BiLSTM模型；
Attention与BiLSTM模型首先Attention机制增强上下文语义信息，并获取更深层次特征，最后通过Softmax进行回归，完成所属语音情感的预测。
2.系统为用Flask搭建网页框架的语音识别系统界面；
对于提到的语音情感识别方法平台为基于Windows操作系统的个人主机，深度学习框架采用的是tensorflow和Keras，其中TensorFlow作为Keras的后端。具体配置如下python3.6.5、tensorflow=1.12、Keras=2.2.4、flask==1.0.2 、librosa等。
具体界面效果可以参考博客内容。
2022-05-27 16:05:53
88.85MB