涂中文，赵艳明，宋金宝

(1.中国传媒大学 播音主持艺术学院，北京 100024；2.中国传媒大学 信息工程学院，北京 100024)

基于自动编码器的语音音色客观评价

涂中文1，赵艳明2，宋金宝2

(1.中国传媒大学 播音主持艺术学院，北京 100024；2.中国传媒大学 信息工程学院，北京 100024)

本文详细介绍了嗓音识别和深度学习的基本原理，然后阐述了怎样将深度学习理论应用于嗓音质量识别分析的研究中，从基于深度学习的语音特征参数提取和神经网络模型建模两方面入手，首先提取不同的音频特征参数，然后构建以稀疏编码器为核心的堆栈式自动编码器，“封顶”softmax分类器以构成完整的深度学习网络，最后测试了不同特征参数、不同的网络层数和网络节点数对于实验准确率的影响。

语音音色；客观评价；自动编码器

说话人的嗓音质量识别包含在说话人识别之内。说话人识别又称声纹识别，是对说话人产生的语音信号进行分析处理，提取说话人的个性特征，从而对说话人进行辨认或确认，是人的一种身份认证形式。说话人的嗓音质量信息也蕴含在这些个性特征中，专业上可以将人的嗓音特质划分16对，如厚与薄、干与润等。在播音类艺考这样对嗓音质量有严格要求的场合下，对嗓音质量的分析与选拔具有广阔的应用需求市场。作为近年来发展迅速的一种神经网络模型，深度学习模拟人类大脑的学习方式，对海量数据量具有超强的建模能力，并且对于不完全信息具有良好的鲁棒性，广泛应用于多分类模式识别，在图像、语音识别等领域取得了惊人的效果。……