CN102646415A - 一种语音识别中的特征参数提取方法 - Google Patents

一种语音识别中的特征参数提取方法 Download PDF

Info

Publication number
CN102646415A
CN102646415A CN2012101028043A CN201210102804A CN102646415A CN 102646415 A CN102646415 A CN 102646415A CN 2012101028043 A CN2012101028043 A CN 2012101028043A CN 201210102804 A CN201210102804 A CN 201210102804A CN 102646415 A CN102646415 A CN 102646415A
Authority
CN
China
Prior art keywords
parameter
bark
pass filter
frequency
hearing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2012101028043A
Other languages
English (en)
Other versions
CN102646415B (zh
Inventor
张晓俊
陶智
肖仲喆
吴迪
季晶晶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Maoyu Environmental Protection Technology Nantong Co ltd
Original Assignee
Suzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Suzhou University filed Critical Suzhou University
Priority to CN201210102804.3A priority Critical patent/CN102646415B/zh
Publication of CN102646415A publication Critical patent/CN102646415A/zh
Application granted granted Critical
Publication of CN102646415B publication Critical patent/CN102646415B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种语音识别中的特征参数提取方法，将数字语音样本采用低通滤波器和高通滤波器进行分割,低通滤波器滤波后的信号采用基于人耳听觉特性的巴克滤波器组方法提取巴克频率倒谱参数，并进行规整化处理；高通滤波器滤波后的信号采用非线性动力学的最大李雅普诺夫参数来描述；所述一种语音识别中的特征参数提取方法包括巴克频率倒谱系数参数的提取和最大李雅普诺夫参数的提取两个步骤。本发明采用低通滤波器和高通滤波器进行分割，使处理之后的信号更加符合人类的听觉特性，从而能够提取出性能更优秀的语音特征参数。

Description

一种语音识别中的特征参数提取方法
 
技术领域
本发明涉及一种语音识别方法，具体涉及的是一种语音识别中的特征参数提取方法。
背景技术
语音识别技术是计算机模拟人类的认识过程，把人类的语音信号转变为相应的文本或命令的技术，其根本目的是研究出一种具有人听觉功能的机器，这种机器能够接受人的语音，理解人的意图，并做出相应的反应，从而对人类的发展提供帮助。
由于语音信号多变性，对环境的依赖性很强，这样就会导致所提取的语音特征参数有所差异，因此需要鲁棒性高的语音特征参数，才能提高语音的识别率。传统的语音特征算法主要从时域、频域等角度进行提取，主要有基于声道参数的线性预测倒谱参数及基于梅尔频率的倒谱特征参数等。
    通过滤波分割的方法，分两个通道处理语音信号，低频部分主要是语音的浊音部分，采用符合人耳听觉特性的巴克滤波器组进行信号重构并提取语音特征，高频部分主要是清音及噪声部分，采用非线性动力学的最大李雅普诺夫指数来描述，最后整合为语音特征序列，进行语音识别。
发明内容
为解决上述问题，本发明提供一种语音识别中的特征参数提取方法，将数字语音样本采用低通滤波器和高通滤波器进行分割，获得低频和高频信息，使处理之后的信号更加符合人类的听觉系统，从而能够提取出性能更优秀的语音特征参数。
为实现上述技术目的，实现上述技术效果，本发明通过以下技术方案实现：
一种语音识别中的特征参数提取方法，将数字语音样本采用低通滤波器和高通滤波器进行分割,低通滤波器滤波后的信号采用基于人耳听觉特性的巴克滤波器组方法提取巴克频率倒谱参数，并进行规整化处理；高通滤波器滤波后的信号采用非线性动力学的最大李雅普诺夫参数来描述，其具体做法如下：
    a.巴克频率倒谱参数的提取,包括以下步骤：
    步骤1）选择巴克域子波母函数为：                                               ，其中
Figure 2012101028043100002DEST_PATH_IMAGE004
;
可得听觉感知域下的函数表达式：
;
其中，b代表听觉感知频率，听觉感知频率带宽为[b1,b2];
Figure 2012101028043100002DEST_PATH_IMAGE008
为
Figure 2012101028043100002DEST_PATH_IMAGE010
的平移步长;
步骤2）再引入特劳恩米勒所给出的线性频率与听觉感知频率之间的函数关系：
Figure 2012101028043100002DEST_PATH_IMAGE012
;
步骤3）代入上式，就得到线性频率下的听觉感知子波函数的表达式：
 
Figure 2012101028043100002DEST_PATH_IMAGE014
;
Figure 2012101028043100002DEST_PATH_IMAGE016
为规整因子，可近似认为常数，取0.2；
步骤4）将语音能量计算出以后通过巴克滤波器组:，随后通过能量对数的离散余弦变换提取出巴克频率倒谱系数参数;
    b.最大李雅普诺夫参数的提取采用wolf法,包括以下步骤：
步骤1）对语音时间序列
Figure 2012101028043100002DEST_PATH_IMAGE020
采用虚假邻点法确定重构维数，平均互信息法确定延迟时间间隔
Figure 2012101028043100002DEST_PATH_IMAGE024
，重构相空间
Figure 2012101028043100002DEST_PATH_IMAGE026
，相点数为
Figure 2012101028043100002DEST_PATH_IMAGE028
；
步骤2）以初始相点为基点，在点集中除
Figure 2012101028043100002DEST_PATH_IMAGE030A
外的其余点中选取一个与最近的点
Figure 2012101028043100002DEST_PATH_IMAGE034
作为端点，构成初始向量，
Figure 2012101028043100002DEST_PATH_IMAGE036
间欧氏距离可记为
Figure 2012101028043100002DEST_PATH_IMAGE038
；
步骤3）时间步长或演化时间
Figure 2012101028043100002DEST_PATH_IMAGE040
，初始向量沿轨线向前演化得到一新向量，其相应基点与端点间欧氏距离可记为
Figure 2012101028043100002DEST_PATH_IMAGE038A
，在相应时段内系统线度指数增长率记为:
Figure 2012101028043100002DEST_PATH_IMAGE042
；
步骤4）如此继续，直至所有相点，然后取各指数的增长率的平均值为最大李雅普诺夫指数估计值：
Figure 2012101028043100002DEST_PATH_IMAGE044
;
    c.统一特征化，包括以下步骤：
    步骤1）提取低频部分的巴克频率倒谱参数加上其一阶差分，巴克频率倒谱系数+△巴克频率倒谱系数共24阶，分别求取每阶参数的均值和方差，进行排列；
    步骤2）提取高频部分的最大李雅普诺夫参数，取其前50帧；
    进一步的，将所述巴克频率倒谱参数和所述最大李雅普诺夫参数分别采用K最近邻近、贝叶斯网络和支持向量机算法进行性能测试。
    本发明的有益效果是：
本发明采用低通滤波器和高通滤波器进行分割，使处理之后的信号更加符合人类的听觉特性，从而能够提取出性能更优秀的语音特征参数。
附图说明
图1为本发明的流程图；
图2为所述巴克频率倒谱参数的提取流程图。
具体实施方式
下面将参考附图并结合实施例，来详细说明本发明。
    参见图1、图2所示，一种语音识别中的特征参数提取方法，将数字语音样本采用低通滤波器和高通滤波器进行分割,低通滤波器滤波后的信号采用基于人耳听觉特性的巴克滤波器组方法提取巴克频率倒谱参数，并进行规整化处理；高通滤波器滤波后的信号采用非线性动力学的最大李雅普诺夫参数来描述。
本实施例采用汉语数字语音库作为实验对象，每个数字语音各100个，共1000个数字语音作为实验的数据源，其具体做法如下：
    a.巴克频率倒谱系数参数的提取,包括以下步骤：
    步骤1）选择巴克域子波母函数为：，其中
Figure DEST_PATH_IMAGE004A
;
可得听觉感知域下的函数表达式：
Figure DEST_PATH_IMAGE006A
;
其中，b代表听觉感知频率，听觉感知频率带宽为[b1,b2];
Figure DEST_PATH_IMAGE008A
为
Figure DEST_PATH_IMAGE010A
的平移步长;
步骤2）再引入特劳恩米勒所给出的线性频率与听觉感知频率之间的函数关系：
Figure DEST_PATH_IMAGE012A
;
步骤3）代入上式，就得到线性频率下的听觉感知子波函数的表达式：
 
Figure DEST_PATH_IMAGE014A
;
Figure DEST_PATH_IMAGE016A
为规整因子，可近似认为常数，取0.2；
步骤4）将语音能量计算出以后通过巴克滤波器组:
Figure DEST_PATH_IMAGE018A
，随后通过能量对数的离散余弦变换提取出巴克频率倒谱系数参数;
    b.最大李雅普诺夫参数的提取采用wolf法,包括以下步骤：
步骤1）对语音时间序列
Figure DEST_PATH_IMAGE020A
采用虚假邻点法确定重构维数
Figure DEST_PATH_IMAGE022A
，平均互信息法确定延迟时间间隔
Figure DEST_PATH_IMAGE024A
，重构相空间，相点数为
Figure DEST_PATH_IMAGE028A
；
步骤2）以初始相点
Figure DEST_PATH_IMAGE030AA
为基点，在点集中除
Figure DEST_PATH_IMAGE030AAA
外的其余点中选取一个与最近的点
Figure DEST_PATH_IMAGE034A
作为端点，构成初始向量，
Figure DEST_PATH_IMAGE036A
间欧氏距离可记为
Figure DEST_PATH_IMAGE038AA
；
步骤3）时间步长或演化时间，初始向量沿轨线向前演化得到一新向量，其相应基点与端点间欧氏距离可记为
Figure DEST_PATH_IMAGE038AAA
，在相应时段内系统线度指数增长率记为:
Figure DEST_PATH_IMAGE042A
；
步骤4）如此继续，直至所有相点，然后取各指数的增长率的平均值为最大李雅普诺夫指数估计值：
Figure DEST_PATH_IMAGE044A
;
   c.统一特征化，包括以下步骤：
    步骤1）提取低频部分的巴克频率倒谱参数加上其一阶差分，巴克频率倒谱系数+△巴克频率倒谱系数共24阶，分别求取每阶参数的均值和方差，进行排列；
    步骤2）提取高频部分的最大李雅普诺夫参数，取其前50帧；
    步骤3）排列方式示意如下：
巴克频率倒谱系数-1均值 巴克频率倒谱系数-1方差 … 巴克频率倒谱系数-24均值 巴克频率倒谱系数-24方差 第1帧李雅普诺夫参数 … 第50帧李雅普诺夫参数
    进一步的，将所述巴克频率倒谱参数和所述最大李雅普诺夫参数采用10折交叉验证方法，分别采用K最近邻近、贝叶斯网络和支持向量机算法进行性能测试。
实验结果见下表：
模式算法 卡帕统计值 受试者工作特征曲线面积 绝对误差 识别率
K最近邻近 0.9622 0.981 0.0087 96.6%
贝叶斯网络 0.97 0.997 0.0054 97.3%
支持向量机 0.9844 0.996 0.1601 98.6%
综合识别率为97.5%。

Claims (2)

1.一种语音识别中的特征参数提取方法，其特征在于：将数字语音样本采用低通滤波器和高通滤波器进行分割,低通滤波器滤波后的信号采用基于人耳听觉特性的巴克滤波器组方法提取巴克频率倒谱参数，并进行规整化处理；高通滤波器滤波后的信号采用非线性动力学的最大李雅普诺夫参数来描述，其具体做法如下：
    a.巴克频率倒谱参数的提取,包括以下步骤：
    步骤1）选择巴克域子波母函数为：                                               
Figure 2012101028043100001DEST_PATH_IMAGE002
，其中
Figure 2012101028043100001DEST_PATH_IMAGE004
;
可得听觉感知域下的函数表达式：
;
其中，b代表听觉感知频率，听觉感知频率带宽为[b1,b2];
Figure 2012101028043100001DEST_PATH_IMAGE008
为
Figure 2012101028043100001DEST_PATH_IMAGE010
的平移步长;
步骤2）再引入特劳恩米勒所给出的线性频率与听觉感知频率之间的函数关系：
Figure 2012101028043100001DEST_PATH_IMAGE012
;
步骤3）代入上式，就得到线性频率下的听觉感知子波函数的表达式：
 
Figure 2012101028043100001DEST_PATH_IMAGE014
;
Figure 2012101028043100001DEST_PATH_IMAGE016
为规整因子，可近似认为常数，取0.2；
步骤4）将语音能量计算出以后通过巴克滤波器组:
Figure 2012101028043100001DEST_PATH_IMAGE018
，随后通过能量对数的离散余弦变换提取出巴克频率倒谱参数;
    b.最大李雅普诺夫参数的提取采用wolf法,包括以下步骤：
步骤1）对语音时间序列
Figure 2012101028043100001DEST_PATH_IMAGE020
采用虚假邻点法确定重构维数
Figure 2012101028043100001DEST_PATH_IMAGE022
，平均互信息法确定延迟时间间隔
Figure 2012101028043100001DEST_PATH_IMAGE024
，重构相空间
Figure 2012101028043100001DEST_PATH_IMAGE026
，相点数为
Figure 2012101028043100001DEST_PATH_IMAGE028
；
步骤2）以初始相点
Figure 2012101028043100001DEST_PATH_IMAGE030
为基点，在点集中除
Figure DEST_PATH_IMAGE030A
外的其余点中选取一个与最近的点
Figure 2012101028043100001DEST_PATH_IMAGE034
作为端点，构成初始向量，
Figure 2012101028043100001DEST_PATH_IMAGE036
间欧氏距离可记为
Figure 2012101028043100001DEST_PATH_IMAGE038
；
步骤3）时间步长或演化时间
Figure 2012101028043100001DEST_PATH_IMAGE040
，初始向量沿轨线向前演化得到一新向量，其相应基点与端点间欧氏距离可记为
Figure DEST_PATH_IMAGE038A
，在相应时段内系统线度指数增长率记为:
Figure 2012101028043100001DEST_PATH_IMAGE042
；
步骤4）如此继续，直至所有相点，然后取各指数的增长率的平均值为最大李雅普诺夫指数估计值：;
    c.统一特征化，包括以下步骤：
步骤1）提取低频部分的巴克频率倒谱参数加上其一阶差分，巴克频率倒谱系数+△巴克频率倒谱系数共24阶，分别求取每阶参数的均值和方差，进行排列；
    步骤2）提取高频部分的最大李雅普诺夫参数，取其前50帧。
2.    根据权利要求1所述的语音识别中的特征参数的提取方法，其特征在于：将所述巴克频率倒谱参数和所述最大李雅普诺夫参数分别采用K最近邻近、贝叶斯网络和支持向量机算法进行性能测试。
CN201210102804.3A 2012-04-10 2012-04-10 一种语音识别中的特征参数提取方法 Expired - Fee Related CN102646415B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210102804.3A CN102646415B (zh) 2012-04-10 2012-04-10 一种语音识别中的特征参数提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210102804.3A CN102646415B (zh) 2012-04-10 2012-04-10 一种语音识别中的特征参数提取方法

Publications (2)

Publication Number Publication Date
CN102646415A true CN102646415A (zh) 2012-08-22
CN102646415B CN102646415B (zh) 2014-07-23

Family

ID=46659219

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210102804.3A Expired - Fee Related CN102646415B (zh) 2012-04-10 2012-04-10 一种语音识别中的特征参数提取方法

Country Status (1)

Country Link
CN (1) CN102646415B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103778913A (zh) * 2014-01-22 2014-05-07 苏州大学 一种病理嗓音的识别方法
CN105845127A (zh) * 2015-01-13 2016-08-10 阿里巴巴集团控股有限公司 语音识别方法及其系统
CN105869658A (zh) * 2016-04-01 2016-08-17 金陵科技学院 一种采用非线性特征的语音端点检测方法
CN106133835A (zh) * 2014-03-28 2016-11-16 崇实大学校产学协力团 用于使用时域中的差分能量判断饮酒的方法、用于执行该方法的记录介质和装置
CN106297768A (zh) * 2015-05-11 2017-01-04 苏州大学 一种语音识别方法
CN106409288A (zh) * 2016-06-27 2017-02-15 太原理工大学 一种利用变异鱼群算法优化的svm进行语音识别的方法
CN108922514A (zh) * 2018-09-19 2018-11-30 河海大学 一种基于低频对数谱的鲁棒特征提取方法
CN112562642A (zh) * 2020-10-31 2021-03-26 苏州大学 一种动态多频带非线性语音特征提取方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2000043988A1 (en) * 1999-01-20 2000-07-27 International Computer Science Institute Feature extraction of modulation for automatic speech recognition
US6308155B1 (en) * 1999-01-20 2001-10-23 International Computer Science Institute Feature extraction for automatic speech recognition
CN1653519A (zh) * 2002-03-20 2005-08-10 高通股份有限公司 通过分析源信号的冗余特征进行稳健话音识别的方法
CN1746973A (zh) * 2004-09-06 2006-03-15 三星电子株式会社 分布式语音识别系统和方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2000043988A1 (en) * 1999-01-20 2000-07-27 International Computer Science Institute Feature extraction of modulation for automatic speech recognition
US6308155B1 (en) * 1999-01-20 2001-10-23 International Computer Science Institute Feature extraction for automatic speech recognition
CN1653519A (zh) * 2002-03-20 2005-08-10 高通股份有限公司 通过分析源信号的冗余特征进行稳健话音识别的方法
CN1746973A (zh) * 2004-09-06 2006-03-15 三星电子株式会社 分布式语音识别系统和方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
《LICENTIATE'S THESIS University of Joensuu Department of Computer Science P.O. Box 111, FIN-80101 Joensuu, Finland》 20031221 Tomi Kinnunen Spectral features for automatic text-independent speaker recognition 1,2 , *
KEVIN MICHAEL INDREBO ET AL.: "Sub-banded Reconstructed Phase Spaces for Speech Recognition", 《SPEECH COMMUNICATION》, vol. 48, no. 7, 31 July 2006 (2006-07-31), pages 760 - 774 *
TOMI KINNUNEN: "Spectral features for automatic text-independent speaker recognition", 《LICENTIATE’S THESIS UNIVERSITY OF JOENSUU DEPARTMENT OF COMPUTER SCIENCE P.O. BOX 111, FIN-80101 JOENSUU, FINLAND》, 21 December 2003 (2003-12-21) *
张晓俊,陶智,顾济华,赵鹤鸣,施晓敏: "基于听觉感知和概率神经网络的语音识别模型", 《计算机工程与应用》, vol. 43, no. 19, 31 July 2007 (2007-07-31), pages 30 - 44 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103778913A (zh) * 2014-01-22 2014-05-07 苏州大学 一种病理嗓音的识别方法
CN106133835A (zh) * 2014-03-28 2016-11-16 崇实大学校产学协力团 用于使用时域中的差分能量判断饮酒的方法、用于执行该方法的记录介质和装置
CN106133835B (zh) * 2014-03-28 2020-02-07 崇实大学校产学协力团 用于使用时域中的差分能量判断饮酒的方法、用于执行该方法的记录介质和装置
CN105845127B (zh) * 2015-01-13 2019-10-01 阿里巴巴集团控股有限公司 语音识别方法及其系统
CN105845127A (zh) * 2015-01-13 2016-08-10 阿里巴巴集团控股有限公司 语音识别方法及其系统
CN106297768A (zh) * 2015-05-11 2017-01-04 苏州大学 一种语音识别方法
CN106297768B (zh) * 2015-05-11 2020-01-17 苏州大学 一种语音识别方法
CN105869658B (zh) * 2016-04-01 2019-08-27 金陵科技学院 一种采用非线性特征的语音端点检测方法
CN105869658A (zh) * 2016-04-01 2016-08-17 金陵科技学院 一种采用非线性特征的语音端点检测方法
CN106409288A (zh) * 2016-06-27 2017-02-15 太原理工大学 一种利用变异鱼群算法优化的svm进行语音识别的方法
CN106409288B (zh) * 2016-06-27 2019-08-09 太原理工大学 一种利用变异鱼群算法优化的svm进行语音识别的方法
CN108922514A (zh) * 2018-09-19 2018-11-30 河海大学 一种基于低频对数谱的鲁棒特征提取方法
CN112562642A (zh) * 2020-10-31 2021-03-26 苏州大学 一种动态多频带非线性语音特征提取方法

Also Published As

Publication number Publication date
CN102646415B (zh) 2014-07-23

Similar Documents

Publication Publication Date Title
CN102646415B (zh) 一种语音识别中的特征参数提取方法
CN103996402B (zh) 编码设备和编码方法
CN108701469B (zh) 咳嗽声音识别方法、设备和存储介质
CN109378013B (zh) 一种语音降噪方法
CN109378010A (zh) 神经网络模型的训练方法、语音去噪方法及装置
CN103730112B (zh) 语音多信道模拟与采集方法
CN102144258B (zh) 促进确定信号边界频率的方法和装置
CN110111769B (zh) 一种电子耳蜗控制方法、装置、可读存储介质及电子耳蜗
CN101894560B (zh) 一种无参考源的mp3音频清晰度客观评价方法
CN104409078A (zh) 异常声音检测和识别系统
Ranjard et al. Unsupervised bird song syllable classification using evolving neural networks
CN102930870A (zh) 利用抗噪幂归一化倒谱系数的鸟类声音识别方法
CN104021785A (zh) 一种提取会议中最重要嘉宾语音的方法
CN110544482B (zh) 一种单通道语音分离系统
CN101930746A (zh) 一种mp3压缩域音频自适应降噪方法
CN103578466B (zh) 基于分数阶傅里叶变换的语音非语音检测方法
CN107274887A (zh) 基于融合特征mgfcc的说话人二次特征提取方法
CN112885375A (zh) 基于听觉滤波器组和卷积神经网络的全局信噪比估计方法
Min et al. Mask estimate through Itakura-Saito nonnegative RPCA for speech enhancement
Riazati Seresht et al. Spectro-temporal power spectrum features for noise robust ASR
CN112420079B (zh) 语音端点检测方法和装置、存储介质及电子设备
CN111785262B (zh) 一种基于残差网络及融合特征的说话人年龄性别分类方法
CN104778342B (zh) 一种基于小波奇异熵的心音特征提取方法
CN113744715A (zh) 声码器语音合成方法、装置、计算机设备及存储介质
CN103731780A (zh) 数字助听器信号处理方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20171211

Address after: 430074, 3, 22, 09, 41, No. 1, modern and international design city, Optics Valley Avenue, East Lake New Technology Development Zone, Hubei, Wuhan

Patentee after: WUHAN MAILIAO NETWORK TECHNOLOGY Co.,Ltd.

Address before: 215000 Suzhou Industrial Park, Jiangsu Road, No. 199

Patentee before: Soochow University

TR01 Transfer of patent right
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Chen Haoliang

Inventor before: Zhang Xiaojun

Inventor before: Tao Zhi

Inventor before: Xiao Zhongzhe

Inventor before: Wu Di

Inventor before: Ji Jingjing

TR01 Transfer of patent right

Effective date of registration: 20180105

Address after: 510000 one one of Tianhe District Ke Yun Road, Guangzhou, Guangzhou, Guangdong province (Part 705)

Patentee after: SPEAKIN TECHNOLOGIES Co.,Ltd.

Address before: 430074, 3, 22, 09, 41, No. 1, modern and international design city, Optics Valley Avenue, East Lake New Technology Development Zone, Hubei, Wuhan

Patentee before: WUHAN MAILIAO NETWORK TECHNOLOGY Co.,Ltd.

TR01 Transfer of patent right
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 510000 Room 2009, Second Floor, Third Society Building, 3110 Huangpu East Road, Huangpu District, Guangzhou City, Guangdong Province

Patentee after: GUANGZHOU SPEAKIN INTELLIGENT TECHNOLOGY Co.,Ltd.

Address before: 510000 One of 12 Keyun Road, Tianhe District, Guangzhou City, Guangdong Province (Location 705)

Patentee before: SPEAKIN TECHNOLOGIES Co.,Ltd.

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20210222

Address after: 226000 industrial concentration area (Huzhuang Village), Qutang Town, Hai'an City, Nantong City, Jiangsu Province

Patentee after: Maoyu environmental protection technology Nantong Co.,Ltd.

Address before: Room 2009, 2nd floor, sanshe building, 3110 Huangpu East Road, Huangpu District, Guangzhou, Guangdong 510000

Patentee before: GUANGZHOU SPEAKIN INTELLIGENT TECHNOLOGY Co.,Ltd.

CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20140723