贾 宁，郑纯军

（大连东软信息学院软件学院，大连116023）

引 言

随着语音学领域及相关技术的日趋成熟，人们逐渐意识到语音中传达的信息远超出了文本中拟表达的内容［1］。作为区分智慧和智能的基本特征，情感是语音交互不可或缺的一部分，正确的检测语音中的情感表达具有深远的应用价值和实际意义。作为语音学的新兴研究方向之一，语音情感识别（Speech emotion recognition，SER）旨在实现语音信号至说话者情感表达的映射关系，帮助机器模拟情感理解、情感监测和反馈等过程，从而带来人机交互方式的变革。

现有的情感识别研究可分为单模态和多模态［2］等方向。前者专注于原始音频信号，后者需融合音频信号、词汇信息和视觉信息。由此可见，上述两种研究方法均涉及了原始音频信号的研究，它是情感识别方向的关键所在，也是大量研究人员的工作重心。

在SER的研究中，许多成熟的语音分析和分类技术用于提取有效的情感信息。随着深度学习技术的发展，利用神经网络模型解决SER问题已成为流行的情感识别解决方案。常见的深度学习模型［3］有卷积神经网络（Convolutional neural network，CNN）［4-5］、循环神经网络（Recurrent neural network，RNN）［6］等，此外，多通道技术和注意力机制也常用来实现SER。Yao等［7］对比3种不同的深度学习模型的性能，指出深度融合显著性区域的重要性，但仅针对于传统的空气介质环境下的语料库。

RNN作为常见的深层神经网络之一，被广泛应用于自然语言处理和时间序列有关的任务中［8-9］。例如，Tzinis和Potamianos［10］利用RNN研究局部特征和全局特征，并对比在不同音素级别下的SER性能。……