本书从智能化社会对语音处理提出的新要求出发，系统地介绍了智能语音处理涉及的基础理论、基本技术、主要方法以及典型的智能语音处理应用，理论与实际紧密结合，适合作为高等院校人工智能、电子信息工程、物联网工程、数据科学与大数据技术、通信工程等专业高年级本科生以及智能科学与技术、信号与信息处理、网络空间**、通信与信息系统等学科研究生的参考教材，也可供从事语音处理技术研究与应用的科研及工程技术人员参考。 本书共11章，可分为四个部分。 *部分是导论，对应第1章，概要介绍了经典语音处理与智能语音处理的基本概念以及语音处理的典型应用。 第二部分是基础理论，包括第2～5章。第2章介绍了稀疏和稀疏表示、冗余字典以及压缩感知的基本原理和方法；第3章介绍了隐变量模型，包括高斯混合模型、隐马尔可夫模型和高斯过程隐变量模型等；第4章主要介绍主成分分析和非负矩阵分解两种典型的组合模型；第5章主要介绍人工神经网络和深度学习的基础知识以及深度神经网络的典型结构。 第三部分是应用实践，包括第6～10章。第6章综合利用稀疏表示、字典学习、深度学习等智能处理技术，分别介绍基于K-L展开的字典学习的语音压缩感知、基于梅尔倒谱

前言 1章 智能语音处理导论1 1.1 概述1 1.2 经典语音处理2 1.2.1 语音处理的发展2 1.2.2 语音基本表示方法3 1.2.3 语音处理基本方法3 1.2.4 经典语音处理方法的不足4 1.3 智能语音处理5 1.3.1 智能语音处理的基本概念5 1.3.2 智能语音处理的基本框架5 1.3.3 智能语音处理的基本模型6 1.4 语音处理的应用7 1.4.1 语音处理的传统应用领域8 1.4.2 语音处理的新应用领域11 1.5 小结14 参考文献14 2章 稀疏和压缩感知15 2.1 引言15 2.2 稀疏和稀疏表示16 2.2.1 稀疏16 2.2.2 稀疏表示18 2.3 冗余字典19 2.3.1 基本概念19 2.3.2 字典学习20 2.3.3 字典学习算法22 2.3.4 原子选择算法25 2.4 压缩感知27 2.4.1 基本概念27 2.4.2 压缩感知模型29 2.4.3 观测矩阵30 2.4.4 信号重构32 2.5 小结33 参考文献33 3章 隐变量模型36 3.1 引言36 3.2 高斯混合模型36 3.2.1 基本概念37 3.2.2 GMM参数估计37 3.3 隐马尔可夫模型39 3.3.1 基本概念39 3.3.2 HMM关键问题42 3.4 高斯过程隐变量模型48 3.4.1 基本模型48 3.4.2 GPLVM的理论来源49 3.4.3 GPLVM模型训练50 3.5 小结51 参考文献51 4章 组合模型52 4.1 引言52 4.2 主成分分析53 4.2.1 基本模型53 4.2.2 求解算法54 4.3 非负矩阵分解56 4.3.1 基本模型56 4.3.2 求解算法57 4.3.3 NMF与其他数据表示模型的关系58 4.4 鲁棒组合模型60 4.4.1 组合模型的鲁棒性分析61 4.4.2 鲁棒主成分分析61 4.4.3 鲁棒非负矩阵分解63 4.5 小结64 参考文献64 5章 人工神经网络和深度学习65 5.1 引言65 5.2 神经网络基础66 5.2.1 神经元模型66 5.2.2 浅层神经网络67 5.2.3 深度神经网络68 5.3 深度学习69 5.3.1 基本概念和形式69 5.3.2 深度网络的学习方法70 5.4 深度神经网络的典型结构71 5.4.1 深度置信网络71 5.4.2 自动编码器与栈式自动编码器72 5.4.3 卷积神经网络74 5.4.4 循环神经网络75 5.4.5 生成式对抗网络77 5.5 小结79 参考文献79 6章 语音压缩编码81 6.1 引言81 6.2 基于字典学习的语音信号压缩感知82 6.2.1 语音信号的稀疏性82 6.2.2 语音在常见变换域的稀疏化83 6.2.3 基于K-L展开的语音非相干字典84 6.2.4 基于K-L非相干字典的语音压缩重构87 6.2.5 实验仿真与性能分析88 6.3 基于梅尔倒谱系数重构的语音压缩编码93 6.3.1 基于梅尔倒谱分析的抗噪语音编码模型94 6.3.2 基于稀疏约束的梅尔倒谱96 6.3.3 梅尔倒谱系数的量化算法99 6.3.4 实验仿真与性能分析103 6.4 基于深度学习的语音压缩编码107 6.4.1 基于DAE的幅度谱编码和量化107 6.4.2 基于DAE的低速率语音编码110 6.4.3 实验仿真与性能分析111 6.5 小结113 参考文献113 7章 语音增强115 7.1 引言115 7.2 语音增强技术基础116 7.2.1 语音增强的估计参数116 7.2.2 智能语音增强的语音特征117 7.2.3 性能评价118 7.3 基于非负矩阵分解的语音增强120 7.3.1 基本模型121 7.3.2 基于不相交约束非负矩阵分解的语音增强122 7.3.3 基于CNMF字典学习的语音增强127 7.4 基于深度学习的语音增强136 7.4.1 基于听觉感知加权的深度神经网络语音增强方法136 7.4.2 基于听觉感知掩蔽的深度神经网络语音增强方法141 7.5 小结151 参考文献152 8章 语音转换155 8.1 引言155 8.2 语音转换基本原理155 8.3 语音转换模型与评价156 8.3.1 语音分析/模型156 8.3.2 语音参数的选择157 8.3.3 时间对齐157 8.3.4 转换模型和规则158 8.3.5 转换性能评价159 8.4 基于非负矩阵分解的谱转换160 8.4.1 概述160 8.4.2 基于卷积非负矩阵分解的谱转换161 8.4.3 声道谱转换效果164 8.5 基于深度神经网络的谱转换168 8.5.1 深度学习驱动下的语音转换168 8.5.2 面向谱转换的神经网络模型选择168 8.5.3 基于BLSTM和神经网络声码器交替训练的语音转换171 8.6 小结176 参考文献176 9章 说话人识别178 9.1 引言178 9.2 说话人识别基础179 9.2.1 说话人识别系统框架179 9.2.2 典型的说话人识别模型180 9.3 基于i-vector的说话人识别及其改进181 9.3.1 基于i-vector的说话人识别概述181 9.3.2 用于提高i-vector鲁棒性的帧加权方法182 9.3.3 实验结果与分析187 9.4 基于深度神经网络的说话人识别187 9.4.1 基于深度神经网络的说话人识别概述187 9.4.2 基于对比度损失函数优化说话人矢量189 9.4.3 实验结果与分析191 9.5 说话人识别系统的攻击与防御192 9.5.1 攻击和防御的背景192 9.5.2 说话人识别系统的攻击方法192 9.5.3 说话人识别攻击的检测方法194 9.5.4 实验结果与分析196 9.6 小结196 参考文献197 10章 骨导语音增强200 10.1 引言200 10.2 骨导语音增强基础201 10.2.1 骨导语音的产生与特性201 10.2.2 骨导语音盲增强的特点202 10.2.3 骨导语音盲增强的典型方法203 10.3 基于长短时记忆网络的骨导语音盲增强205 10.3.1 骨导/气导语音的谱映206 10.3.2 基于深度残差BLSTM的骨导语音盲增强方法207 10.3.3 实验仿真及性能分析211 10.4 基于均衡-生成组合谱映的骨导语音盲增强215 10.4.1 均衡法215 10.4.2 基于均衡-生成组合谱映的骨导语音盲增强方法216 10.4.3 实验仿真及性能分析218 10.5 小结222 参考文献223 11章 智能语音处理展望224 11.1 智能语音处理的未来224 11.2 有待解决的关键技术225 11.2.1 语音识别226 11.2.2 语音228 11.2.3 语音增强229 11.2.4 语音处理中的**问题230 11.3 小结230 参考文献230 缩略语232

本书编写组

主　编　张雄伟　孙　蒙　杨吉斌

副主编　曹铁勇　郑昌艳　吴海佳

参　编　曾　理　韩　伟　陈栩杉

闵　刚　孙　健　孙新建

周　彬　黄建军　苗晓孔

李嘉康　张星昱