不同情感的语音声学特征分析
语音技术知识点总结
语音技术知识点总结语音技术是指利用声音的特性，如声纹、语音内容等进行识别、处理、合成等一系列操作的技术。
随着人工智能的发展，语音技术已经成为了人们生活中不可或缺的一部分，比如语音助手、语音识别、语音合成等应用已经深入到我们的生活中。
本文将对语音技术的知识点进行总结和介绍。
一、语音识别语音识别是一项将人的声音转换成文本或者命令的技术。
它是基于语音处理、机器学习等技术实现的。
语音识别技术的发展可以分为五个阶段：1. 模式匹配：最初的语音识别技术是基于声学模型进行匹配的，通过比较语音信号的特征与预先设定的声学模型相匹配来进行识别。
2. 统计模型：随着机器学习技术的发展，语音识别开始采用统计模型，利用大量的语料库进行训练，并通过统计学习方法来提高识别的准确性。
3. 深度学习：近年来，深度学习技术的发展为语音识别带来了质的飞跃，通过深度神经网络可以将语音信号直接转换成文本。
4. 多模态融合：除了声音特征之外，还可以结合图像、手势等其他模态的信息来提高语音识别的准确性。
5. 端到端学习：端到端学习是指将语音信号直接输入神经网络中，不再需要声学模型或者语言模型进行辅助，这种方法可以大幅度简化语音识别的流程，提高识别的速度和准确性。
二、语音合成语音合成是指通过计算机生成自然流畅的语音声音的技术。
它可以分为文本到语音(TTS)和语音到语音(VTS)两种方式。
1. 文本到语音(TTS)：TTS是指将文本转换成语音的技术，它需要通过文本分析、语音合成、语音信号处理等步骤来实现。
TTS技术的发展可以分为合成语音的基元选择，基元串联和混合合成等不同阶段。
2. 语音到语音(VTS)：VTS是指将一种语音转换为另一种语音的技术，它可以实现声音的转换、情感色彩的调整等功能。
三、声纹识别声纹识别是指通过声音的生物特征来进行身份识别的技术。
它是一种生物特征识别技术中的一种，声纹识别的核心技术是通过语音信号中的声学特征来进行身份认证和识别。
语音情感识别讲解
❖ 80年代末90年代初，根据韵律控制人机 会话的过程。
❖ 90年代中后期开始快速发展。
2020/9/29
11
国外
1. 英国贝尔法斯特女王大学的情感语音组
收集并创建了第一个大规模的高自然度声音情感数据库，R Cowie, E Douglas-Cowie 教授，2000年。重点研究心理学和语音分析。
❖ Speech Communication， JCR-4
❖ Signal Processing，JCR-3
❖ COMPUTER SPEECH AND LANGUAGE，JCR-3
❖ IEEE Transactions on Audio Speech and Language Processing，JCR-3
2. 美国MIT媒体实验室情感计算研究所 （）
Picard教授领导的情感计算组是世界上第一个大规模研究情感及其 计算的科研机构。
3. 美国南加州大学语音情感组 （/emotion/index.php）Narnyana教 授，情感语音的声学分析、合成和识别，以及有关笑声的 合成研究。
❖ 医学：情感虚拟人，情感交流
❖ …只要能够想到的地方
2020/9/29
7
❖ 小Q ❖ /show/214.html
2020/9/29
8
❖ 中科院自动化所 ❖ 联通增值业务
情侦宝
2020/9/29
9
3、 SER发展与现状
2020/9/29
10
发展与现状
3. 模式识别国家重点实验室
以陶建华博士为主的研究小组
4. 台湾大同大学资讯工程学系
包苍龙教授领导的数据通讯与信号处理实验室
如何运用AI技术进行情绪识别与情感分析
如何运用AI技术进行情绪识别与情感分析一、引言在生活中，人类常会通过识别情绪和分析情感来理解他人的需求和情况。
而随着人工智能（AI）技术的不断发展，运用AI技术进行情绪识别与情感分析已经成为可能。
这项技术能够自动判断文本、语音和图像中所表达的情绪，并分析其背后的情感状态，对于社交媒体监测、市场调研和用户体验改进等领域具有重要意义。
本文将探讨如何运用AI技术进行情绪识别与情感分析。
二、情绪识别方法1. 自然语言处理（NLP）自然语言处理是将自然语言（文本）作为输入，结合计算机科学、人工智能以及语言学等相关领域知识，从而实现计算机与人之间自然交互的技术。
在情绪识别中，NLP可以通过建立模型来预测给定文本中包含的情感类型，例如：“高兴”、“悲伤”、“愤怒”等。
常见的方法包括基于规则的方法和基于机器学习的方法。
规则方法依赖于先验设定的规则集合来判断情感类型，而机器学习方法则通过训练模型来自动学习文本特征与情感之间的关系，并作出预测。
2. 语音识别和情感分析除了文本，AI技术还可以应用于语音识别和情感分析。
通过对语音进行处理，能够判断说话人的情绪状态，如“愤怒”、“快乐”、“焦虑”等。
这种技术可以应用于客服电话中的情感识别、智能助理等领域。
其中，关键的步骤包括声学特征提取和基于机器学习的分类。
3. 图像处理和情感分析图像中表现出的肢体语言、面部表情等也是人们情感状态的重要指示器。
AI技术可以利用计算机视觉算法来分析图像中的情感信息。
例如，使用面部识别技术捕捉面部表情，并将其与相应的情感类别进行匹配。
这方面常用的方法包括神经网络以及深度学习模型。
三、实际应用1. 社交媒体监测社交媒体平台上充斥着大量用户产生的内容，判断用户在互联网上发布内容时所表达出来的真实情绪对于企业而言具有重要意义。
通过应用AI技术进行情绪识别与情感分析，企业可以了解用户对产品、服务和品牌的评价，从而更好地调整市场策略和改进产品。
2. 市场调研运用AI技术进行情绪识别与情感分析还可以帮助企业开展市场调研工作。
语音识别中声学模态特征提取方法
语音识别中声学模态特征提取方法一、语音识别技术概述语音识别技术是一种将人类语言转化为计算机可理解的文本格式的技术。
随着技术的发展，语音识别技术在各个领域得到了广泛的应用，如智能助手、自动客服、语音导航等。
语音识别技术的核心在于声学模态特征的提取，这是实现高准确率识别的关键。
本文将探讨声学模态特征提取的方法，分析其重要性、挑战以及实现途径。
1.1 语音识别技术的核心特性语音识别技术的核心特性主要包括以下几个方面：高准确率、实时性、适应性。
高准确率是指语音识别系统能够准确地将语音信号转化为文本信息；实时性是指系统能够在极短的时间内完成识别过程；适应性则是指系统能够适应不同口音、语速、背景噪声等复杂环境。
1.2 语音识别技术的应用场景语音识别技术的应用场景非常广泛，包括但不限于以下几个方面：- 智能助手：通过语音识别技术，用户可以通过语音与智能设备进行交互，实现语音控制。
- 自动客服：在客服中心，语音识别技术可以帮助自动处理客户的咨询和投诉，提高服务效率。
- 语音导航：在驾驶过程中，语音识别技术可以提供语音导航服务，帮助驾驶员获取路线信息。
二、声学模态特征提取的基本原理声学模态特征提取是语音识别技术中的关键环节。
它涉及到将语音信号转化为一系列特征向量，这些特征向量能够反映语音信号的基本属性，从而为后续的语音识别提供基础。
声学模态特征提取的基本原理包括以下几个方面：2.1 语音信号的预处理在进行声学模态特征提取之前，需要对原始的语音信号进行预处理。
预处理的目的是去除噪声、消除静音段、进行归一化等，以提高后续特征提取的准确性。
预处理的方法包括：- 降噪：使用滤波器去除背景噪声，提高语音信号的清晰度。
- 去静音：识别并去除语音信号中的静音段，减少无效数据。
- 归一化：将语音信号的幅度调整到统一的范围，便于后续处理。
2.2 声学特征的提取方法声学特征的提取是将预处理后的语音信号转化为一系列特征向量。
常见的声学特征提取方法包括：- 梅尔频率倒谱系数（MFCC）：通过梅尔频率滤波器组对语音信号进行处理，提取其频率特征。
语音情感识别+眼动仪实验 ppt课件
ppt课件
3
2013-11-01 语音情感识别研究进展综述[EI检索]
ppt课件
4
1. 情感描述方式大致可分为离散和维度两种形式
前者将情感描述为离散的、形容词标签的形式，如高兴、愤怒等。
后者则将情感状态描述为多维情感空间中的点。
返回
ppt课件
5
2. 依据情感描述模型的不同，将数据语料资源划分为离散情感数据库和维 度情感数据库两个分支，二者的区别在于情感标注形式的不同,前者以离散的
ppt课件
7
4. 依据情感描述模型的不同，当今语音情感识别系统所采用的识别算法可以分为两类： 离散语音情感分类器和维度语音情感预测器
返回
（1）基于离散情感描述模型的语音情感识别研究称作离散语音情感识别,它们一般被建模为标准的模式分类 问题,即使用标准的模式分类器进行情感的识别 。常用于语音情感识别领域的分类器，线性的有：Naïve Bayes 构Cla建ss合ifie理r,L、in高ea效r A的NN语(a音rti情fic感ial识ne别ur模al 型ne是tw语or音k),情Lin感ea识r S别VM研(s究up的po重rt中ve之ct重or，ma它ch负in责e)等对;大非量线的性训的练有语:D料ec进isio行n Trees,k学-N习N(，k-从ne中are挖st掘ne由ig各hb种or声alg学or特ith征m通),N往on对-li应ne情ar感AN状N态,No的n-映lin射ea通r S路VM，,G从M而M实(G现au对ss测ian试m语ix料tur情em感o状de态l),H的M正M确 (hidde判n M断a与rko识v别mo。del)以及稀疏表示分类器等。其中，使用最为广泛的有 HMM ,GMM,ANN 和 SVM。
心理学中的情绪识别与情感分析算法研究
心理学中的情绪识别与情感分析算法研究引言情绪是人类心理活动中重要的一环，而情感分析则是对情绪进行客观、准确的识别与分析。
在当今社会，随着人工智能的发展，情绪识别与情感分析算法得到了广泛的关注和研究。
本文将从心理学的角度出发，探讨情绪识别与情感分析在算法研究中的应用与发展。
一、情绪的定义与分类情绪是人类在经历特定事件或刺激后所产生的主观感受，是一种对外界刺激的心理和生理反应。
根据心理学家Paul Ekman的理论，情绪可以分为基本情绪和复杂情绪。
基本情绪包括愤怒、恶心、害怕、快乐、悲伤和惊讶等，而复杂情绪则是基本情绪的组合和变体。
二、情感分析的意义与应用情感分析是对文本、语音、图像等信息中的情感进行识别和分析的过程。
它在很多领域都有着重要的应用，比如社交媒体分析、品牌营销、舆情监测等。
通过情感分析，可以更好地理解用户的需求和反馈，从而进行针对性的决策和改进。
三、情绪识别与情感分析的算法研究方法文本情感分析是将自然语言处理技术与机器学习算法相结合，对文本进行情感识别与情感极性判定。
典型的算法包括支持向量机（SVM）、朴素贝叶斯（Naïve Bayes）和深度学习（Deep Learning）等。
在实际应用中，常常需要大规模的情感标注数据集，以训练模型并提高情感分析的准确性。
2. 音频情感分析算法音频情感分析是通过对语音信号的特征提取和分类，来识别说话者在语音中所传达的情感。
常用的音频情感分析方法包括声学特征提取（如基频、能量和谐波等）、模型训练（如高斯混合模型、支持向量机等）和情感分类等。
音频情感分析的应用领域较为广泛，包括智能语音助手、情感驱动游戏等。
3. 图像情感分析算法图像情感分析是通过分析图像中的面部表情特征，来推测人物的情感状态。
典型的算法包括基于特征提取的方法和基于深度学习的方法。
前者常常提取面部的线条、纹理和几何等特征，后者则利用卷积神经网络（Convolutional Neural Networks）自动学习人脸表情的表示。
基于多模态深度学习的情感识别技术研究
基于多模态深度学习的情感识别技术研究1.引言情感识别一直是自然语言处理领域的一个重要问题。
近年来，随着社交网络等大数据应用的兴起，情感识别技术得到了更广泛的应用。
目前，情感识别技术主要基于文本分析和语音分析，但是这些方法的准确度和效率都有一定的局限性。
随着深度学习技术的不断发展，人们开始探索基于多模态深度学习的情感识别技术，这在很大程度上提升了情感识别的效果和精度。
2.文本情感识别方法文本情感识别是情感识别中比较成熟的一种技术。
传统的文本情感识别方法主要基于机器学习算法，例如支持向量机(SVM)、朴素贝叶斯(Naive Bayes)等。
这些方法可以对文本进行特征抽取和分类，但是准确度和鲁棒性方面都存在一定的问题。
随着深度学习技术的广泛应用，人们开始使用神经网络模型进行文本情感识别。
近年来，基于多层感知机的情感分析方法取得了很好的效果。
比如，快速文本情感分类器(FastText)就是一种基于神经网络的情感分析方法。
该方法主要利用词向量表示和矩阵运算，可以实现高效的情感识别。
此外，基于递归神经网络(RNN)的情感识别方法也得到了广泛研究。
在这种方法中，RNN能够从上下文信息中获取语义特征，并对情感进行分类。
这种方法具有一定的泛化能力和鲁棒性，但是计算速度较慢。
3.语音情感识别方法随着智能语音助手等语音交互应用的普及，语音情感识别也成为了热门的研究领域。
传统的语音情感识别方法主要基于声学特征的分析。
例如，基于高斯混合模型(GMM)的语音情感识别方法就是一种常见的声学特征分析方法。
该方法通过对语音信号的频率、能量、谐波等声学特征进行分析，提取出特征向量，并使用GMM进行情感分类。
这种方法需要大量的语音样本进行训练，且对噪声等干扰较为敏感。
近年来，基于深度学习的语音情感识别方法也得到了广泛研究。
在这种方法中，神经网络模型可以对语音信号进行特征提取和分类。
例如，基于卷积神经网络(CNN)的语音情感识别方法就可以从语音信号中提取出频谱、光谱等特征，并对情感进行分类。
机器学习在多模态情感分析中的应用
机器学习在多模态情感分析中的应用随着人工智能技术的快速发展，机器学习在许多领域中得到了广泛的应用。
其中，多模态情感分析作为一种重要的技术，正在被越来越多的研究者和实践者关注和应用。
多模态情感分析旨在从多个模态（例如文字、语音、图像等）的信息中获取用户情感倾向和情感状态的信息。
多模态情感分析的目标是识别和分类文本、语音和图像等多种模态数据中表达用户情感的相关特征。
通过对这些特征进行分析，可以更准确地理解和解释用户在特定环境中的情感状态。
在许多实际应用中，如社交媒体情感分析、情感智能客服等领域，多模态情感分析发挥着重要的作用。
机器学习作为多模态情感分析的核心技术，可以通过训练模型来识别和分类不同模态数据中的情感信息。
下面将介绍几种常用的机器学习算法及其在多模态情感分析中的应用。
首先，卷积神经网络 (Convolutional Neural Networks, CNN) 是一种非常有效的机器学习算法，在图像、音频和文本等领域具有广泛应用。
在多模态情感分析中，CNN可以用于处理图像和语音模态的数据。
例如，在图像情感分析中，可以使用CNN提取图像特征，并通过监督学习方法进行情感分类。
而在语音情感分析中，CNN可以通过提取声谱图等特征来识别和分类语音中的情感信息。
其次，循环神经网络 (Recurrent Neural Networks, RNN) 是一种适用于序列数据的机器学习算法，具有记忆和上下文建模的能力。
在多模态情感分析中，RNN可以用于处理序列数据，例如文本和语音数据。
通过对文本序列进行建模，RNN可以捕捉到文本中的情感变化和上下文信息，实现情感分类的任务。
而在语音情感分析中，RNN可以处理连续的语音序列，并对其进行情感分类。
还有一种常用的机器学习算法是支持向量机 (Support Vector Machines, SVM)，它在文本和语音情感分析中都具有一定的应用。
SVM通过使用一个超平面来划分不同情感的数据点，从而实现情感分类的任务。
普通话语音情感识别的特征选择技术
普通话语音情感识别的特征选择技术谢波;陈岭;陈根才;陈纯【期刊名称】《浙江大学学报（工学版）》【年(卷),期】2007(041)011【摘要】针对情感声学特征在语音情感识别中的重要性问题,运用优先选择、序列前向、序列后向和逐步判别分析进行了特征选择.对说话人和文本均无关、说话人相关2组普通话情感语音进行特征选择,然后利用线性判别分析和支持向量机进行实际识别效果的分析比较.特征选择结果表明,基频、对数能量、语速和第一共振峰均值对普通话情感语音具有较强的判别能力,但情感声学特征的判别力随着说话人的不同而有所差异.特征选择方法比较实验表明,逐步判别分析比其他3种方法具有更高的平均准确率,当特征个数为9～12时分类器的平均准确率最高.效用分析表明,特征选择在小样本时更加有效.【总页数】7页(P1816-1822)【作者】谢波;陈岭;陈根才;陈纯【作者单位】浙江大学,计算机科学与技术学院,浙江,杭州,310027;浙江工商大学,计算机与信息工程学院,浙江,杭州,310018;浙江大学,计算机科学与技术学院,浙江,杭州,310027;浙江大学,计算机科学与技术学院,浙江,杭州,310027;浙江大学,计算机科学与技术学院,浙江,杭州,310027【正文语种】中文【中图分类】TP391【相关文献】1.结合音质特征和韵律特征的语音情感识别 [J], 张石清;赵知劲;雷必成;杨广映2.靖西壮语～普通话中介语的语序、句式和句类特点——靖西壮语～普通话中介语语法特征之一 [J], 吕嵩崧3.基于PCA和SVM的普通话语音情感识别 [J], 蒋海华;胡斌4.基于声门特征与语音特征的语音情感识别对比研究 [J], 朱智豪;郑徵羽;肖仲喆5.普通话“声调特征教学法”初探——以广西人学习普通话为例 [J], 易丹;黄华强因版权原因，仅展示原文概要，查看原文内容请购买。
声学信号的特征提取与分析算法
声学信号的特征提取与分析算法声学信号是指通过声波传播而产生的信号，它在我们日常生活中无处不在，如语音、音乐、环境声等。
对声学信号的特征提取与分析是一项重要的研究课题，它可以帮助我们理解声学信号的本质，从而应用于语音识别、音乐分析、环境声场建模等领域。
一、声学信号的特征提取声学信号的特征提取是指从原始声学信号中提取出能够反映信号特性的参数。
常见的声学信号特征包括时域特征和频域特征。
时域特征是指对声学信号在时间上的变化进行分析，常用的时域特征包括短时能量、过零率和短时自相关函数等。
短时能量反映了信号的能量大小，过零率表示信号波形穿过零点的次数，短时自相关函数描述了信号在不同时间延迟下的相似性。
频域特征是指对声学信号在频率上的变化进行分析，常用的频域特征包括功率谱密度、频谱包络和谱熵等。
功率谱密度表示信号在不同频率上的能量分布，频谱包络描述了信号频谱的整体形状，谱熵反映了信号频谱的复杂程度。
二、声学信号的特征分析算法声学信号的特征分析算法是指通过对声学信号的特征进行提取和分析，来揭示信号的内在规律和特点。
常用的声学信号特征分析算法包括时域分析和频域分析。
时域分析是指对声学信号在时间上的变化进行分析，常用的时域分析算法包括自相关函数法、短时傅里叶变换法和小波变换法等。
自相关函数法可以用来计算信号的过零率和短时自相关函数，短时傅里叶变换法可以将信号从时域转换到频域，并提取出频率信息，小波变换法可以对信号进行多尺度分析。
频域分析是指对声学信号在频率上的变化进行分析，常用的频域分析算法包括傅里叶变换法、功率谱估计法和谱减法等。
傅里叶变换法可以将信号从时域转换到频域，并提取出频率成分，功率谱估计法可以计算信号的功率谱密度，谱减法可以通过减去噪声谱来增强信号的清晰度。
三、声学信号特征提取与分析的应用声学信号的特征提取与分析在许多领域都有广泛的应用。
在语音识别领域，通过提取语音信号的特征参数，可以将语音信号转化为数字特征向量，用于识别不同的语音单元。
- 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)。
语音的共振峰频率特征、共振峰走向特征、音节的过渡特征、基频曲线特征以及振幅曲线特征，分析比对不同情感的语音声学特征的
相似性和差异性。分析结果表明，同一说话人在不同情感下的语音声学特征的共振峰走向特征相似度高，共振峰频率、基频曲线及
振幅曲线特征存在非本质差异，是个体自身的差异。对不同情感的语音进行声学特征分析可以为语音情感识别奠定基础。
(Criminal Investigation Police University of China, Shenyang 110854, China)
Abstract: The influence of speaker's emotional factors on speech features is studied. The speech features of the same person such as voice formant frequency characteristics, formant trend characteristics, syllable transition characteristics, fundamental frequency curve characteristics and amplitude curve characteristics under six emotions such as anger, fear, happiness, neutrality, surprise and sadness are chosen. The similarities and differences of voice acoustic characteristics of different emotions are analyzed and compared. The results show that the similarity of for⁃ mant orientation characteristics of the same person's speech acoustic characteristics under different emotions is high, and there are some differences in formant frequency, fundamental frequency curve and amplitude curve char⁃ acteristics, which are non-essential differences, and are individual differences. Acoustic characteristics analysis of speech with different emotions can lay a foundation for speech emotion recognition.
选择 CASIA 汉语情感语料库中生气、害怕、高 兴、中性、惊讶、悲伤六种情感语音的共振峰频率特 征、共振峰走向特征、音节间的过渡特征、音节内的 过渡特征、基频曲线特征以及振幅曲线特征进行语 音声学特征分析。通过对同一人的相同文本在不 同情感下的语音进行声学特征差异性分析，得出不 同情感下语音的共振峰动态走向特征、音节内过渡 特征和音节间过渡特征稳定性较高，共振峰频率特 征、基频曲线特征和振幅曲线特征稳定性较低的 结论。
第 34 卷第 5 期 2019 年 10 月
·信号与信息处理·
光电技术应用
ELECTRO-OPTIC TECHNOLOGY APPLICATION
Vol.34，No.5 October，2019
不同情感的语音声学特征分析
任 杰，郭 卉，姜 囡
（中国刑事警察学院，沈阳 110854）
摘 要：针对说话人情感因素对语音特征的影响进行研究分析，选择同一个人在生气、害怕、高兴、中性、惊讶、悲伤六种情感下
Key words: acoustic characteristics; variation analysis; emotion; formant
在生活中，人类的情感表达主要通过表情、语 音、动作等方式，语音作为其中直观获取情感信息 的载体，人们在交流过程中通过言语传递的信息， 可以将说话人当时所处情感状态表达出来。语音 情感识别技术将成为未来人机智能交互系统中不 可或缺的一部分，随着语音情感识别技术的发展， 语音情感识别的相关理论研究也不断成熟。但是 在进行语音情感识别时，特征的选择直接影响了识
32
光电技术应用
第 34 卷
峰构造的特征和平静时期的语音特征比对，发现所 选择的特征在分辨情感语音有着明显的作用，频 谱、能量、基音频率对于分辨悲伤情感效果很好。 文献[4-6]提出语音特征和韵律特征相结合才能表 达情感，韵律特征参数的变化是语音信号中情感信 息的主要体现，语音信号情感特征的参数，包括韵 律特征的参数、韵律特征结合语音学特征的参数； 张雪英等认为语音声学特征包括韵律学特征、基于 谱的特征和音质特征，其中梅尔倒谱系数(MFCC)在 情感识别中表现的性能最优[7]。文献[8]将语音特征 分为韵律特征和基于谱特征的基础上，提出将语音 情感特征分为个性化特征和非个性化特征。
别的效果，对于不同情感的语音声学特征分析可以 对特征进行更好的筛选[1-2]。
目前对于语音情感理论的研究不断进步，国内 语音情感特征研究处于起步阶段，没有具体标准， 选用语音信号中的情感特征包括：时间构造、振幅 构造、基频构造和共振峰构造的特征，分析了不同 语音情感特征的分布规律[3]。张立华等人进行情感 分析时选择时间构造、能量构造、基频构造和共振
收稿日期：2019-07-19 基金项目：辽宁省教育厅科学研究项目(L2015198)；辽宁省自然科学基金项目；中国刑事警察学院博士科研启动项目（D2017022）；中国刑警警 察学院教研项目（2018QNZX19） 作者简介：任杰（1995-），男，陕西黄陵人，硕士研究生，主要研究方向为视听资料检验技术.
关键词：声学特征；变异分析；情感；共振峰中图分类号：TP391
文献标识码：A
文章编号：1673-1255（2019）-05-0031-06
Analysis of Speech Acoustic Characteristics of Different Emotions
REN Jie, GUO Hui, JIANG Nan