语音识别实验2
语音能力评估实验报告
语音能力评估实验报告引言语音能力评估是一项重要的任务，它对于语音合成、语音识别和语音翻译等领域的研究和应用具有重要意义。
本实验旨在通过一套全面的评估指标，对不同语音系统的性能进行客观评估和比较，以提供对语音能力的准确评估。
实验设计数据集为了展示不同语音系统的语音能力，本实验选择了一个标准的语音数据集，包含了来自不同说话人、不同语种及不同场景的语音样本。
每个样本都经过了精选和质量控制，以保证样本的一致性和可比性。
评估指标本实验采用了以下指标对语音系统进行评估：1. 语音识别准确率：评估语音系统在识别给定语音的正确率。
2. 语音合成自然度：评估语音系统合成语音的自然度和流畅性。
3. 声音清晰度：评估语音系统输出的声音是否清晰易懂。
4. 情感表达能力：评估语音系统在表达不同情感上的准确度。
实验过程1. 提供数据样本：将数据集中的语音样本输入到不同的语音系统中进行处理。
2. 记录评估指标：根据实验设计的评估指标，对语音系统输出的语音进行评估，并记录相应的得分。
3. 统计分析：对每个指标的得分进行统计和分析，比较不同语音系统的表现和优劣。
实验结果与分析语音识别准确率在对语音系统进行语音识别准确率评估时，我们将每个语音样本的真实标签与系统输出的标签进行比对。
通过计算比对正确的样本数占总样本数的比例，得到系统的语音识别准确率。
结果显示，系统A的语音识别准确率为90%，系统B的为85%，系统C的为88%。
可以看出系统A在语音识别准确率上相对较好。
语音合成自然度为了评估语音系统的合成自然度，我们请来了一组专业评估员对系统输出的语音进行评估，主要从流利性、自然度和韵律方面进行评判。
评估结果显示，系统A的合成语音自然度得分为9分（满分10分），系统B为8分，系统C为7分。
从评估结果来看，系统A的合成语音在自然度方面表现较好。
声音清晰度为了评估系统输出语音的清晰度，我们使用了主观评估的方法，让一组受试者听取系统输出的语音并给出清晰度评分。
人工智能语音处理实训课程学习总结实现语音识别与合成的技术与应用
人工智能语音处理实训课程学习总结实现语音识别与合成的技术与应用人工智能（Artificial Intelligence，简称AI）作为近年来发展迅猛的领域之一，语音处理技术作为其重要的应用领域之一，得到了广泛的关注和研究。
本文将总结人工智能语音处理实训课程的学习经验，并对语音识别与合成的技术与应用进行探讨。
一、背景介绍在人工智能领域，语音处理是一项重要的技术。
语音识别是将人的语音信息转化为文本的过程，而语音合成则是将文本转化为人的语音。
这两种技术的应用广泛，例如智能助理、语音搜索、语音翻译等。
二、实训课程内容及学习过程在人工智能语音处理实训课程中，我们学习到了语音识别与合成的基本理论和相关技术。
在实际操作中，我们使用了开源的语音处理工具和库，如CMU Sphinx、DeepSpeech等，通过编程实现了基于概率模型的语音识别与基于文本转语音的语音合成。
在实训中，我们首先了解了语音信号的基本概念和特征提取方法，如短时傅里叶变换（STFT）和梅尔频率倒谱系数（MFCC）。
然后，我们学习了语音识别的基本原理和模型，如隐马尔可夫模型（HMM）和循环神经网络（RNN）。
通过实验，我们深入理解了这些模型在语音处理中的应用。
在语音合成的学习中，我们了解了文本处理的基本方法，如分词、词性标注等。
然后，我们学习了基于统计模型和神经网络的语音合成方法，如聚类分析、音素转换等。
通过实践，我们体验了不同模型在语音合成中的效果差异。
三、技术与应用探讨语音识别与合成的技术已经有了长足的发展，但仍存在一些挑战。
例如，在语音识别中，说话者的语音特征差异、环境噪声等会影响准确性；在语音合成中，语音自然度和表达效果仍有提升空间。
因此，未来的研究应该致力于解决这些问题，并不断优化算法和模型。
此外，语音处理技术在各个领域都有广泛的应用。
例如，在智能助理领域，语音识别和合成技术可以实现人机对话和智能交互；在医疗领域，语音识别技术可以辅助医生的诊断和治疗工作；在教育领域，语音合成技术可以帮助学生提高听写和朗读水平。
语音信号处理实验报告实验二
语音信号处理实验报告实验二一、实验目的本次语音信号处理实验的目的是深入了解语音信号的特性，掌握语音信号处理的基本方法和技术，并通过实际操作和数据分析来验证和巩固所学的理论知识。
具体而言，本次实验旨在：1、熟悉语音信号的采集和预处理过程，包括录音设备的使用、音频格式的转换以及噪声去除等操作。
2、掌握语音信号的时域和频域分析方法，能够使用相关工具和算法计算语音信号的短时能量、短时过零率、频谱等特征参数。
3、研究语音信号的编码和解码技术，了解不同编码算法对语音质量和数据压缩率的影响。
4、通过实验，培养我们的动手能力、问题解决能力和团队协作精神，提高我们对语音信号处理领域的兴趣和探索欲望。
二、实验原理（一）语音信号的采集和预处理语音信号的采集通常使用麦克风等设备将声音转换为电信号，然后通过模数转换器（ADC）将模拟信号转换为数字信号。
在采集过程中，可能会引入噪声和干扰，因此需要进行预处理，如滤波、降噪等操作，以提高信号的质量。
（二）语音信号的时域分析时域分析是对语音信号在时间轴上的特征进行分析。
常用的时域参数包括短时能量、短时过零率等。
短时能量反映了语音信号在短时间内的能量分布情况，短时过零率则表示信号在单位时间内穿过零电平的次数，可用于区分清音和浊音。
（三）语音信号的频域分析频域分析是将语音信号从时域转换到频域进行分析。
通过快速傅里叶变换（FFT）可以得到语音信号的频谱，从而了解信号的频率成分和分布情况。
（四）语音信号的编码和解码语音编码的目的是在保证一定语音质量的前提下，尽可能降低编码比特率，以减少存储空间和传输带宽的需求。
常见的编码算法有脉冲编码调制（PCM）、自适应差分脉冲编码调制（ADPCM）等。
三、实验设备和软件1、计算机一台2、音频采集设备（如麦克风）3、音频处理软件（如 Audacity、Matlab 等）四、实验步骤（一）语音信号的采集使用麦克风和音频采集软件录制一段语音，保存为常见的音频格式（如 WAV）。
智能音箱中的语音识别技术性能测试
智能音箱中的语音识别技术性能测试智能音箱作为人工智能技术在家庭生活中的应用之一，已经成为了越来越多用户的选择。
其中，语音识别技术是智能音箱的核心功能之一，它能够让用户通过语音与音箱进行交互和控制。
为确保智能音箱的语音识别技术性能，进行相应的测试是十分重要的。
语音识别技术能力测试的目的是评估智能音箱在识别用户语言和命令时的准确性、响应速度和稳定性等方面的表现。
下面将针对智能音箱中的语音识别技术性能测试的主要内容进行介绍。
一、语音识别准确性测试语音识别准确性测试是考察智能音箱在识别用户语音输入时的准确率。
测试者可准备一系列标准化的语音样本，包括常见的指令、问题以及其他类型的语音输入，然后通过与智能音箱交互来观察其准确性。
测试者需要评估智能音箱的识别率，将正确识别的语音样本与总样本数进行比较，并计算准确率。
二、语音识别响应速度测试语音识别响应速度测试是测量智能音箱在接收到语音输入后的响应速度。
测试者可通过唤醒词或按键等方式触发智能音箱，然后说出指令或提出问题。
测试者需要记录下发出指令的时间，然后观察智能音箱的响应时间。
可以考察在不同环境下（如音乐播放中、噪声背景下）智能音箱的响应速度，比较其稳定性和可靠性。
三、多人语音输入测试多人语音输入测试是考察智能音箱在面对不同用户的语音输入时的表现。
测试者可以模拟多人同时对智能音箱提出指令或问题，然后观察音箱能否正确识别并作出准确的响应。
这个测试可以考察智能音箱的分辨多人语音输入的能力，并评估其在多人家庭环境中的适应性和效果。
四、噪声环境下的识别测试噪声环境下的识别测试是为了评估智能音箱在嘈杂环境中的识别效果。
测试者可以通过播放噪音、开启电器或模拟其他嘈杂环境来制造干扰，然后观察智能音箱是否能够准确识别语音指令。
这个测试可以帮助用户了解智能音箱在真实环境下的表现，并评估其在日常生活中的可用性。
总结：通过以上的测试，可以评估智能音箱中的语音识别技术性能。
准确性测试可以了解智能音箱对于不同种类语音样本的识别能力。
aida2星考核内容
aida2星考核内容作为一款智能语音助手，Aida2具有许多功能和特点。
在Aida2星的考核中，我们将会从以下几个方面对其进行评估：一、语音识别能力作为一款语音助手，Aida2的语音识别能力是其最基本的功能之一。
Aida2能够听懂用户说的话，并将其转化为文本形式，实现与用户的交互。
在语音识别方面，我们将对Aida2的准确率、对话延时等方面进行评估。
对于普通话以及方言的支持情况也会进行考核。
二、语音合成能力Aida2能够根据用户输入的文本内容生成语音，使其像人类一样自然流畅。
这一能力，被广泛应用于AI客服、智能语音广告等领域。
在语音合成方面，我们将对Aida2的准确率、语音自然程度等进行测试。
同时，测试语音合成器是否能够准确地表达出用户输入的情感和语气。
三、知识库服务能力为了更好地为用户提供服务，Aida2需要拥有丰富的知识库。
在这个知识库中，要包含常见问题的解答，相关的知识点，以及最新的资讯等等。
在知识库服务能力方面，我们将对Aida2的知识储备进行考核，特别是对新领域的快速适应能力。
同时，我们也将评估对知识库的实时更新与维护能力。
四、对话处理能力对话处理是Aida2的核心能力之一。
通过语音识别和语音合成，Aida2需要与用户精准交互，并能够处理相关的问题。
在对话处理方面，我们将测试Aida2是否能够处理用户的正常对话，以及针对不同情形下的应答能力。
同时，我们还将考察Aida2是否能够有效地维护对话的连贯性。
五、技术支持与维护能力对于一款智能语音助手来讲，技术支持和维护能力至关重要。
只有保持良好的稳定性和卓越的用户体验，才能保持持续的发展。
在技术支持和维护能力方面，我们将考核Aida2的故障预警、运维响应和紧急处理能力等，以确保其能够快速稳定地服务用户。
总之，Aida2星考核内容涉及多个方面。
只有在各方面表现优异，才能进一步提高Aida2的用户体验和广泛应用。
基于Matlab的语音识别系统的设计_百度文库(2)
语音识别技术原理解析
语音识别技术原理解析语音识别技术，简单来说就是让计算机能够听懂我们说的话，并将其转换为可读的文字或者指令。
这项技术早在20世纪50年代就被提出，但直到最近十几年才取得了重大突破。
本文将从技术原理的角度解析语音识别技术的发展史与前沿进展。
一、语音信号的获取语音信号的获取是语音识别技术的第一步。
我们需要将人类发出的声音转化为数字信号，使得计算机可以处理和理解。
这个过程分为两个步骤：采样和量化。
采样是将连续的模拟声波信号转化为离散的数字信号。
常见的采样方式是PCM (脉冲编码调制)。
PCM 将在固定时间间隔内的声音信号转化成一系列离散的数字。
这个时间间隔被称为采样周期，采样周期越短就越精确，但是需要更高的计算能力和储存空间。
量化是将采样后的信号标准化为一定数量级内的数字。
我们需要确定数据的位数和范围，常见的量化方法有 A-law 和μ-law 两种。
这样标准化后的语音信号就可以被传输到后续的处理步骤中。
二、语音特征的提取与处理语音信号采集完毕后，接下来必须将其转化为计算机所能处理的语音特征，这一步又称特征提取。
一般来说，语音特征分为两类：时域特征和频域特征。
时域特征指的是声音波形的波段特征，这些特征能够描述声音波形的变化趋势。
常见的时域特征有短时能量、过零率等。
时域特征提取的本质是通过计算声音波形的方差、平均值等数学方法，将其中的信息量融合到少量模式中，这些模式能够提供不同的语音识别特征。
频域特征是指将声音信号从时域信号转化到频域，再提取相应的频域特征。
比如，语音信号上的快速傅立叶变换可以将时域波形转换成频域信号，然后再提取出声音信号在不同频率下的谐波系数。
这些频域特征的一组值就可以被用来对声音信号进行特征化。
三、模型训练和预测有了特征后，我们就需要将其传送到训练模型当中，这个训练过程相当于把特征值通过数学模型变成我们所需要的识别结果。
我们可以使用深度神经网络（Deep Neural Network，DNN）、循环神经网络（Recurrent Neural Network, RNN）、卷积神经网络（Convolutional Neural Network, CNN）等算法来构建模型。
毕业设计93基于连续隐马尔科夫模型的语音识别 (2)
SHANGHAI UNIVERSITY 毕业设计（论文）UNDERGRADUATE PROJECT (THESIS)论文题目基于连续隐马尔科夫模型的语音识别学院机自专业自动化学号03122669学生姓名金微指导教师李昕起讫日期2007 3.20—6.6目录摘要---------------------------------------------------------------------------2 ABSTRACT ------------------------------------------------------------------------2绪论---------------------------------------------------------------------------3第一章语音知识基础---------------------------------------------------------------6 第一节语音识别的基本内容-------------------------------------------6第二节语音识别的实现难点-------------------------------------------9第二章HMM的理论基础--------------------------------------------------------10 第一节HMM的定义----------------------------------------------------10第二节隐马尔科夫模型的数学描述---------------------------------10第三节HMM的类型----------------------------------------------------12第四节HMM的三个基本问题和解决的方-----------------------15第三章HMM算法实现的问题----------------------------------------------21 第一节HMM状态类型及参数B的选择---------------------------21第二节HMM训练时需要解决的问题-----------------------------23第四章语音识别系统的设计---------------------------------------------------32 第一节语音识别系统的开发环境-----------------------------------32第二节基于HMM的语音识别系统的设计------------------------32第三节实验结果---------------------------------------------------------49第五章结束语-------------------------------------------------------------------67致谢------------------------------------------------------------------------------68参考文献------------------------------------------------------------------------69摘要语音识别系统中最重要的部分就是声学模型的建立，隐马尔可夫模型作为语音信号的一种统计模型，由于它能够很好地描述语音信号的非平稳性和时变性，因此在语音识别领域有着广泛的应用。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
关于语音识别的研究网络工程专业网络C071班贾鸿姗 076040摘要：语音识别技术的广泛应用1前言：语音识别技术也被称为自动语音识别 (ASR)，其目标是将人类的语音中的词汇内容转换为计算机可读的输入，例如按键、二进制编码或者字符序列。
与说话人识别及说话人确认不同，后者尝试识别或确认发出语音的说话人而非其中所包含的词汇内容。
语音识别是一门交叉学科。
近二十年来，语音识别技术取得显著进步，开始从实验室走向市场。
人们预计，未来10年内，语音识别技术将进入工业、家电、通信、汽车电子、医疗、家庭服务、消费电子产品等各个领域。
语音识别技术所涉及的领域包括：信号处理、模式识别、概率论和信息论、发声机理和听觉机理、人工智能等等。
早在计算机发明之前，自动语音识别的设想就已经被提上了议事日程，早期的声码器可被视作语音识别及合成的雏形。
而1920年代生产的"Radio Rex"玩具狗可能是最早的语音识别器，当这只狗的名字被呼唤的时候，它能够从底座上弹出来。
最早的基于电子计算机的语音识别系统是由AT&T 贝尔实验室开发的Audrey语音识别系统，它能够识别10个英文数字。
其识别方法是跟踪语音中的共振峰。
该系统得到了98%的正确率。
到1950年代末，伦敦学院(Colledge of London)的Denes 已经将语法概率加入语音识别中。
1960年代，人工神经网络被引入了语音识别。
这一时代的两大突破是线性预测编码Linear Predictive Coding (LPC)，及动态时间弯折Dynamic Time Warp技术。
语音识别技术的最重大突破是隐含马尔科夫模型Hidden Markov Model的应用。
从Baum提出相关数学推理，经过Labiner等人的研究，卡内基梅隆大学的李开复最终实现了第一个基于隐马尔科夫模型的大词汇量语音识别系统Sphinx。
此后严格来说语音识别技术并没有脱离HMM框架。
尽管多年来研究人员一直尝试将“听写机”推广，语音识别技术在目前还无法支持无限领域，无限说话人的听写机应用。
2 正文2.1应用领域2.1.1.电话通信的语音拨号特别是在中、高档移动电话上，现已普遍的具有语音拨号的功能。
随着语音识别芯片的价格降低，普通电话上也将具备语音拨号的功能。
2.1.2.汽车的语音控制由于在汽车的行驶过程中，驾驶员的手必须放在方向盘上，因此在汽车上拨打电话，需要使用具有语音拨号功能的免提电话通信方式。
此外，对汽车的卫星导航定位系统（GPS）的操作，汽车空调、照明以及音响等设备的操作，同样也可以由语音来方便的控制。
工业控制及医疗领域。
当操作人员的眼或手已经被占用的情况下，在增加控制操作时，最好的办法就是增加人与机器的语音交互界面。
由语音对机器发出命令，机器用语音做出应答。
2.1.3数字助理个人数字助理（Personal Digital Assistant，PDA）的语音交互界面。
PDA的体积很小，人机界面一直是其应用和技术的瓶颈之一。
由于在PDA上使用键盘非常不便，因此，现多采用手写体识别的方法输入和查询信息。
但是，这种方法仍然让用户感到很不方便。
现在业界一致认为，PDA的最佳人机交互界面是以语音作为传输介质的交互方法，并且已有少量应用。
随着语音识别技术的提高，可以预见，在不久的将来，语音将成为PDA主要的人机交互界面。
智能玩具通过语音识别技术，我们可以与智能娃娃对话，可以用语音对玩具发出命令，让其完成一些简单的任务，甚至可以制造具有语音锁功能的电子看门狗。
智能玩具有很大的市场潜力，而其关键在于降低语音芯片的价格。
2.1.4家庭遥控用语音可以控制电视机、VCD、空调、电扇、窗帘的操作，而且一个遥控器就可以把家中的电器皆用语音控起来，这样，可以让令人头疼的各种电器的操作变得简单易行。
除了上文中所提到的应用以外，语音识别专用芯片在其他方面的应用可以说是不胜枚举。
随着语音识别专用芯片的技术不断提高，将给人们带来极大的方便。
2.2系统分类语音识别系统可以根据对输入语音的限制加以分类。
从说话者与识别系统的相关性考虑分类：(1)特定人语音识别系统：仅考虑对于专人的话音进行识别；(2)非特定人语音系统：识别的语音与人无关，通常要用大量不同人的语音数据库对识别系统进行学习；(3)多人的识别系统：通常能识别一组人的语音，或者成为特定组语音识别系统，该系统仅要求对要识别的那组人的语音进行训练。
从说话的方式考虑分类：(1)孤立词语音识别系统：孤立词识别系统要求输入每个词后要停顿；(2)连接词语音识别系统：连接词输入系统要求对每个词都清楚发音，一些连音现象开始出现；(3)连续语音识别系统：连续语音输入是自然流利的连续语音输入，大量连音和变音会出现。
从识别系统的词汇量大小考虑分类： (1)小词汇量语音识别系统。
通常包括几十个词的语音识别系统。
(2)中等词汇量的语音识别系统。
通常包括几百个词到上千个词的识别系统。
(3)大词汇量语音识别系统。
通常包括几千到几万个词的语音识别系统。
随着计算机与数字信号处理器运算能力以及识别系统精度的提高，识别系统根据词汇量大小进行分类也不断进行变化。
目前是中等词汇量的识别系统到将来可能就是小词汇量的语音识别系统。
这些不同的限制也确定了语音识别系统的困难度。
2.3主要的研究方法分类一般来说,语音识别的方法有三种：基于声道模型和语音知识的方法、模板匹配的方法以及利用人工神经网络的方法。
2.3.学和声学的方法该方法起步较早，在语音识别技术提出的开始，就有了这方面的研究，但由于其模型及语音知识过于复杂，现阶段没有达到实用的阶段。
通常认为常用语言中有有限个不同的语音基元，而且可以通过其语音信号的频域或时域特性来区分。
这样该方法分为两步实现：第一步，分段和标号把语音信号按时间分成离散的段，每段对应一个或几个语音基元的声学特性。
然后根据相应声学特性对每个分段给出相近的语音标号第二步，得到词序列根据第一步所得语音标号序列得到一个语音基元网格，从词典得到有效的词序列，也可结合句子的文法和语义同时进行。
2．模板匹配的方法模板匹配的方法发展比较成熟，目前已达到了实用阶段。
在模板匹配方法中，要经过四个步骤：特征提取、模板训练、模板分类、判决。
常用的技术有三种：动态时间规整(DTW)、隐马尔可夫（HMM）理论、矢量量化（VQ）技术。
3．神经网络的方法利用人工神经网络的方法是80年代末期提出的一种新的语音识别方法。
人工神经网络(ANN)本质上是一个自适应非线性动力学系统，模拟了人类神经活动的原理，具有自适应性、并行性、鲁棒性、容错性和学习特性，其强的分类能力和输入-输出映射能力在语音识别中都很有吸引力。
但由于存在训练、识别时间太长的缺点，目前仍处于实验探索阶段。
由于ANN不能很好的描述语音信号的时间动态特性，所以常把ANN与传统识别方法结合，分别利用各自优点来进行语音识别。
五、发展前景语音识别技术的应用可以分为两个发展方向：一个方向是大词汇量连续语音识别系统，主要应用于计算机的听写机，以及与电话网或者互联网相结合的语音信息查询服务系统，这些系统都是在计算机平台上实现的；另外一个重要的发展方向是小型化、便携式语音产品的应用，如无线手机上的拨号、汽车设备的语音控制、智能玩具、家电遥控等方面的应用，这些应用系统大都使用专门的硬件系统实现，特别是近几年来迅速发展的语音信号处理专用芯片（Application Specific Integrated Circuit，ASIC）和语音识别片上系统（System on Chip，SOC）的出现。
语音识别技术发展到今天，特别是中小词汇量非特定人语音识别系统识别精度已经大于98%，对特定人语音识别系统的识别精度就更高。
这些技术已经能够满足通常应用的要求。
由于大规模集成电路技术的发展，这些复杂的语音识别系统也已经完全可以制成专用芯片，大量生产。
在西方经济发达国家，大量的语音识别产品已经进入市场和服务领域。
一些用户交机、电话机、手机已经包含了语音识别拨号功能，还有语音记事本、语音智能玩具等产品也包括语音识别与语音合成功能。
人们可以通过电话网络用语音识别口语对话系统查询有关的机票、旅游、银行信息，并且取得很好的结果。
调查统计表明多达85%以上的人对语音识别的信息查询服务系统的性能表示满意。
可以预测在近五到十年内，语音识别系统的应用将更加广泛。
各种各样的语音识别系统产品将出现在市场上。
人们也将调整自己的说话方式以适应各种各样的识别系统。
在短期内还不可能造出具有和人相比拟的语音识别系统，要建成这样一个系统仍然是人类面临的一个大的挑战，我们只能一步步朝着改进语音识别系统的方向一步步地前进。
至于什么时候可以建立一个像人一样完善的语音识别系统则是很难预测的。
就像在60年代，谁又能预测今天超大规模集成电路技术会对我们的社会产生这么大的影响。
参考文献[ 1] 柳春．语音技术研究进展[J] ．甘肃科技 2008,第8期[ 2] 杨尚国．语音识别技术概述[J] ．福建电脑2006,第8 期[ 3] 熊燕．抗噪声语音识别技术研究. 中国科技信息 2006第7期[ 4] D.G.Stork and M.E.Hennecke, editors.Speechreading by Humans and Machines[M].Berlin：Computer and Systems Sciences,1996.331-350.[ 5] Intel Company. Dialogical / 12 JCT - LS PCI Voice Board Manual[M] . New Jersey: Intel Dialogic Corporation, 2002.[ 6] 李晓静．计算机多媒体技术的应用现状与发展前景[J] ．科技情报开发与经济,2007,第17卷第36 期:146.[ 7] IBM Company. IBM ViaVoice for Windows 9. 0 . IBM 新版语音识别软件[ Z] . 2001. [ 8] 曾辉语音识别研究现代商贸工业 2008，第2期。