CN112634946B - 一种语音质量分类预测方法、计算机设备及存储介质 - Google Patents
一种语音质量分类预测方法、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112634946B CN112634946B CN202011563604.9A CN202011563604A CN112634946B CN 112634946 B CN112634946 B CN 112634946B CN 202011563604 A CN202011563604 A CN 202011563604A CN 112634946 B CN112634946 B CN 112634946B
- Authority
- CN
- China
- Prior art keywords
- voice
- quality classification
- classification model
- frame data
- class
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013145 classification model Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 230000000694 effects Effects 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000005070 sampling Methods 0.000 claims abstract description 4
- 238000003066 decision tree Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000006854 communication Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000011156 evaluation Methods 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001303 quality assessment method Methods 0.000 description 2
- 206010044565 Tremor Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
- G10L25/60—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for measuring the quality of voice signals
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明公开了一种语音质量分类预测方法、计算机设备及存储介质，该方法包括：将语音样本进行分层抽样，抽取部分的样本作为测试集用于测试语音质量分类模型的效果，其余的样本作为训练集用于训练语音质量分类模型；读取通话语音的帧数据以后，将帧数据作归一化，再对归一化后的帧数据进行等距离散化处理，统计归一化后的帧数据在每个等距区间的数量，该数量即为特征；基于LightGBM算法使用该特征训练语音质量分类模型，利用测试集验证语音质量分类模型的效果；调用语音质量分类模型，预测语音的质量分类概率，以确定语音的质量。根据本发明的语音质量分类模型给出的分析结果，运营商可以快速了解用户的通话质量，及时监测网络的运行状况。
Description
技术领域
本发明涉及语音信号处理技术领域，尤其涉及一种语音质量分类预测方法、计算机设备及存储介质。
背景技术
现有的语音质量评价方法主要分为主观评价方法和客观评价方法。
主观评价方法主要通过志愿者对语音样本进行打分。人群主观意见得分MOS(MeanOpinion Score)是主观评价方法中的衡量指标，它被定义为参与主观测试的人群对语音质量给出的分数的平均值。主观测试需要较高的经济成本和时间成本，不适用于大规模的数据。
客观评价方法主要是使用数据建模的方法用机器进行语音质量的评估。客观评价方法主要分为两大类别：基于信号(signal-based)的语音质量评价和基于参数(Parametric-based)的语音质量评价。基于信号的评价方法通过处理语音信号来预测语音信号的质量，不需要了解底层传输网络和设备参数等信息；而基于参数的评价方法则恰恰相反，通过底层传输网络和设备参数来对语音服务质量进行评价，例如量化噪声、丢包率、编码算法。抖动等参数，不需要传输的语音信息。这两种方法在计算的时间和空间复杂度较高。
随着机器学习算法的发展，机器学习也被用来作为语音质量的评价方法。包括深度神经网络也被应用到该领域，不过神经网络需要大量的标记数据。常规机器学习中需要的语音特征常使用MFCC(梅尔频率倒谱系数)等特征，或者使用opensmile来提取语音特征。这些模型的准确率较高，但特征的计算复杂度高。
发明内容
为了解决上述问题，本发明提出一种语音质量分类预测方法、计算机设备及存储介质，采用countvector特征，结合LightGBM模型，简单快速地从运营商角度判断语音的质量。
本发明的一种语音质量分类预测方法，包括以下步骤：
S1.将语音样本进行分层抽样，抽取部分的样本作为测试集用于测试语音质量分类模型的效果，其余的样本作为训练集用于训练语音质量分类模型；
S2.读取通话语音的帧数据以后，将帧数据作归一化，再对归一化后的帧数据进行等距离散化处理，统计归一化后的帧数据在每个等距区间的数量，该数量即为特征；
S3.基于LightGBM算法使用该特征训练语音质量分类模型，利用测试集验证语音质量分类模型的效果；
S4.调用语音质量分类模型，预测语音的质量分类概率，以确定语音的质量；预测结果中的对应分类概率越高，则该语音的质量属于此分类的概率就越高。
进一步的，步骤S2中，帧数据按以下公式作归一化：
其中，frames表示通话语音的帧数据。
进一步的，步骤S2中，对帧数据进行等距离散化处理的方法包括：按0.1的间距进行离散化：[-1,-0.9),[-0.9,-0.8),[-0.8,-0.7),[-0.7,-0.6),...,[-0.1,0),[0,0.1),[0.1,0.2),...,[0.9,1)。
进一步的，将语音质量分为正常、单通和断续3类，其中正常表示通话正常且清晰；单通表示一方听不到另一方的声音，持续设定时间；断续表示通话过程中语音突然丢失，或者任何一方出现声音发颤，持续设定时间。
进一步的，LightGBM算法是boosting决策树模型，由多棵树组成，且当前的树与前面的树有关联；若以信息增益作为特征选择的标准，则决策树的基本流程如下：
输入：训练数据集D，特征集A，阈值ε；
输出：决策树T
a)初始化信息增益的阈值ε；
b)若D中所有实例属于同一类，则T为单节点树，标记类别为Ck，返回T；
c)若A为空，则T为单节点树，将D中实例数最大的类Ck作为该节点的类标记，返回T；否则，计算A中各特征对D的信息增益，选择信息增益最大的特征Ag；
d)如果Ag的信息增益小于阈值ε，则返回单节点树T，将D中实例数最大的类Ck作为该节点的类标记，返回T；否则，按特征Ag的不同取值ai，依Ag＝ai将D分割为若干个非空子集Di，将Di中实例数最大的类作为标记，构建子节点，由节点和子节点构成树T，返回T；
e)对第i个子节点，以Di为数据集，以A-Ag为特征集，递归地调用步骤a)～d)，得到子树Ti，返回Ti。
在训练语音质量分类模型时，每一轮会迭代生成多棵树，每棵树分别输出每一类的概率，一共迭代M轮；针对每个语音样本，训练后的语音质量分类模型会输出多个值，按如下公式即得到属于每一类的概率：
其中，fc(x),fk(x)为语音质量分类模型输出的值，a为分类的数量。
进一步的，特征选择的标准还包括熵和基尼指数。
进一步的，对包括树的数量、树的深度、叶子节点个数和叶子节点样本数在内的参数进行限制，以减少过拟合。
进一步的，训练好的语音质量分类模型能够部署在大数据平台上，且能够在大数据平台上自动完成训练。
本发明的一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述语音质量分类预测方法的步骤。
本发明的一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现所述语音质量分类预测的方法的步骤。
本发明的有益效果在于：
本发明的语音质量分类预测方法得到的语音质量分类模型可以自动实时训练，输出结果，更新模型，完成迭代，大大减少了数据更新时间，也就提高了模型的先进性，保证了模型的实效性，减少了数据滞后的情况发生，提升了模型的预测准确度和时效性。依照该语音质量分类模型给出的分析结果，运营商可以快速了解用户的通话质量，及时监测网络的运行状况。从测试集的结果来看，整体准确率为0.79，平均每条语音的处理时间为3ms，若使用大数据平台，则这个时间还会缩短。
附图说明
图1是本发明的语音质量分类预测方法的流程图；
图2是本发明实施例中通话语音的帧数据归一化后的波形图；
图3是本发明实施例中编码结果示意图；
图4是本发明实施例中某次测试结果。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现说明本发明的具体实施方式。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的语音质量分类预测方法，如图1所示，包括以下步骤：
S1.将语音样本进行分层抽样，抽取部分(例如30％)的样本作为测试集用于测试语音质量分类模型的效果，其余的样本作为训练集用于训练语音质量分类模型；
S2.读取通话语音的帧数据(帧数据是一维数组)以后，将帧数据作归一化，再对归一化后的帧数据进行等距离散化处理，统计归一化后的帧数据在每个等距区间的数量，该数量即为特征；
S3.基于LightGBM算法使用该特征训练语音质量分类模型，利用测试集验证语音质量分类模型的效果；
S4.调用语音质量分类模型，预测语音的质量分类概率，以确定语音的质量；预测结果中的对应分类概率越高，则该语音的质量属于此分类的概率就越高。
在本发明的一个优选实施例中，通话语音的帧数据按以下公式作归一化：
其中，frames表示通话语音的帧数据，如图2所示为某段通话语音的帧数据归一化后的波形图。
对归一化后的帧数据进行等距离散化处理，具体可以按0.1的间距进行离散化：[-1,-0.9),[-0.9,-0.8),[-0.8,-0.7),[-0.7,-0.6),...,[-0.1,0),[0,0.1),[0.1,0.2),...,[0.9,1)。
需要说明的是，归一化后的帧数据在每个等距区间的数量，该数量即为countvector特征，countvector特征就是应用了词袋模型(属于自然语言处理的范畴)得到的特征向量，下面予以举例说明。
假设有两个句子：
Ivan goes to Shanghai.
Bob goes to Chengdu.
这两个句子包含了如下单词：[Ivan,goes,to,Shanghai,Bob,Chengdu]。这个单词列表，称为词典。
下面根据这个词典对这两个句子进行编码。
Ivan goes to Shanghai的编码结果是：[1,1,1,1,0,0]
这个编码结果的意义如图3所示。
在本发明的一个优选实施例中，可根据运营商的实际业务需要，将语音质量分为正常、单通和断续3类，其中正常表示通话正常且清晰；单通表示一方听不到另一方的声音，持续设定时间；断续表示通话过程中语音突然丢失，或者任何一方出现声音发颤，持续设定时间。更为具体的，语音丢失对应的设定时间可设置为1秒～3秒，声音发颤对应的设定时间可设置为3秒。
本发明采用的LightGBM算法是boosting决策树模型，由多棵树组成，且当前的树与前面的树有关联。
在本发明的一个优选实施例中，若以信息增益作为特征选择的标准，则决策树的基本流程如下：
输入：训练数据集D，特征集A，阈值ε；
输出：决策树T
a)初始化信息增益的阈值ε；
b)若D中所有实例属于同一类，则T为单节点树，标记类别为Ck，返回T；
c)若A为空，则T为单节点树，将D中实例数最大的类Ck作为该节点的类标记，返回T；否则，计算A中各特征对D的信息增益，选择信息增益最大的特征Ag；
d)如果Ag的信息增益小于阈值ε，则返回单节点树T，将D中实例数最大的类Ck作为该节点的类标记，返回T；否则，按特征Ag的不同取值ai，依Ag＝ai将D分割为若干个非空子集Di，将Di中实例数最大的类作为标记，构建子节点，由节点和子节点构成树T，返回T；
e)对第i个子节点，以Di为数据集，以A-Ag为特征集，递归地调用步骤a)～d)，得到子树Ti，返回Ti。
上述步骤为决策树(分类树)生成过程，回归树与分类树相似，只是分类节点的标准是最小化平方误差。在训练语音质量分类模型时，每一轮会迭代生成多棵树，每棵树分别输出每一类的概率，一共迭代M轮。针对每个语音样本，训练后的语音质量分类模型会输出多个值，按如下公式即得到属于每一类的概率：
其中，fc(x),fk(x)为语音质量分类模型输出的值，a为分类的数量，即如果将语音质量分为正常、单通和断续3类，则a取值为3。
此外，除了使用信息增益作为特征选择的标准，熵、基尼指数等也可以作为特征选择的标准。为了减少过拟合，可对树的深度、叶子节点个数、叶子节点样本数、叶子节点样本数等参数进行限制。
在本发明的一个优选实施例中，基于LightGBM模型自身适配于机器学习的框架之中，而机器学习的框架能根植于大数据平台如hadoop，所以本发明的LightGBM模型(即语音质量分类模型)可以很容易地就融入运营商的平台中，在运营商的平台中进行数据的获取、数据处理分析以及分析结果输出等等。
将训练好的语音质量分类模型部署在用户大数据平台上，该模型为已基于训练数据进行了训练的模型，且能在用户大数据平台上自动完成训练。最近一次的训练时刻与所述当前时刻的时间差不超过预设时间差阈值。LightGBM模型是可以不断训练更新的，每一次预LightGBM模型进行训练更新时，可以使用的是预设时间(比如最近一段时间)的通话语音的特征(例如设置为5天、12小时以及7天等等)。
通过目标网络的大数据平台的接口，向用户大数据平台发送特定语音特征获取指令，该特征为countvector特征。
调用模型，预测语音的分类概率。基于本次预测得到的预测结果，确定语音的质量分类概率，并确定语音的质量。预测结果中的对应分类概率越高，则该语音的质量属于此分类的概率就越高。在某一次预测中，正常的概率是0.1、单通的概率是0.3、断续的概率是0.6，则该语音的质量是断续的概率最高。语音质量的概率可以有1和0以及介于1和0之间的任意数值，数值的大小可以用来进一步分析语音属于某一质量分类的程度。
通过上述的方案，本发明的语音质量分类模型可以自动实时训练，输出结果，更新模型，完成迭代，大大减少了数据更新时间，也就提高了模型的先进性，保证了模型的实效性，减少了数据滞后的情况发生，提升了模型的预测准确度和时效性。依照本发明的语音质量分类模型给出的分析结果，运营商可以快速了解用户的通话质量，及时监测网络的运行状况。
从测试集的结果来看，本发明的语音质量分类模型整体准确率约为0.79。不同类别有所差异，某次测试中将语音质量分为正常、单通和断续3类，其中单通的准确率(accuracy)和召回率(recall)都比较高，其次是正常这一类。识别效果较差的是断续，准确率和召回率都比较低。如图4为其测试结果，其中0代表正常，1代表单通，2代表断续。平均每条语音的处理时间为3ms，若使用大数据平台，这个时间还会缩短。
综合来看，本发明的语音质量分类预测方法的计算复杂度低，是一种快速简单准确的语音质量分类预测方法。
此外，本发明的一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述语音质量分类预测方法的步骤。本发明的一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述语音质量分类预测的方法的步骤。
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。
Claims (6)
1.一种语音质量分类预测方法，其特征在于，包括以下步骤：
S1.将语音样本进行分层抽样，抽取部分的样本作为测试集用于测试语音质量分类模型的效果，其余的样本作为训练集用于训练语音质量分类模型；
S2.读取通话语音的帧数据以后，将帧数据作归一化，再对归一化后的帧数据进行等距离散化处理，统计归一化后的帧数据在每个等距区间的数量，该数量即为特征；
S3.基于LightGBM算法使用该特征训练语音质量分类模型，利用测试集验证语音质量分类模型的效果；
S4.调用语音质量分类模型，预测语音的质量分类概率，以确定语音的质量；预测结果中的对应分类概率越高，则该语音的质量属于此分类的概率就越高；
步骤S2中，帧数据按以下公式作归一化：
其中，frames表示通话语音的帧数据；
步骤S2中，对帧数据进行等距离散化处理的方法包括：按0.1的间距进行离散化：[-1,-0.9),[-0.9,-0.8),[-0.8,-0.7),[-0.7,-0.6),...,[-0.1,0),[0,0.1),[0.1,0.2),...,[0.9,1)；
将语音质量分为正常、单通和断续3类，其中正常表示通话正常且清晰；单通表示一方听不到另一方的声音，持续设定时间；断续表示通话过程中语音突然丢失，或者任何一方出现声音发颤，持续设定时间；
LightGBM算法是boosting决策树模型，由多棵树组成，且当前的树与前面的树有关联；若以信息增益作为特征选择的标准，则决策树的基本流程如下：
输入：训练数据集D，特征集A，阈值ε；
输出：决策树T
a)初始化信息增益的阈值ε；
b)若D中所有实例属于同一类，则T为单节点树，标记类别为Ck，返回T；
c)若A为空，则T为单节点树，将D中实例数最大的类Ck作为该节点的类标记，返回T；否则，计算A中各特征对D的信息增益，选择信息增益最大的特征Ag；
d)如果Ag的信息增益小于阈值ε，则返回单节点树T，将D中实例数最大的类Ck作为该节点的类标记，返回T；否则，按特征Ag的不同取值ai，依Ag＝ai将D分割为若干个非空子集Di，将Di中实例数最大的类作为标记，构建子节点，由节点和子节点构成树T，返回T；
e)对第i个子节点，以Di为数据集，以A-Ag为特征集，递归地调用步骤a)～d)，得到子树Ti，返回Ti；
在训练语音质量分类模型时，每一轮会迭代生成多棵树，每棵树分别输出每一类的概率，一共迭代M轮；针对每个语音样本，训练后的语音质量分类模型会输出多个值，按如下公式即得到属于每一类的概率：
其中，fc(x),fk(x)为语音质量分类模型输出的值，a为分类的数量。
2.根据权利要求1所述的一种语音质量分类预测方法，其特征在于，特征选择的标准还包括熵和基尼指数。
3.根据权利要求1所述的一种语音质量分类预测方法，其特征在于，对包括树的数量、树的深度、叶子节点个数和叶子节点样本数在内的参数进行限制，以减少过拟合。
4.根据权利要求1所述的一种语音质量分类预测方法，其特征在于，训练好的语音质量分类模型能够部署在大数据平台上，且能够在大数据平台上自动完成训练。
5.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-3任一项所述方法的步骤。
6.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-3任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011563604.9A CN112634946B (zh) | 2020-12-25 | 2020-12-25 | 一种语音质量分类预测方法、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011563604.9A CN112634946B (zh) | 2020-12-25 | 2020-12-25 | 一种语音质量分类预测方法、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112634946A CN112634946A (zh) | 2021-04-09 |
| CN112634946B true CN112634946B (zh) | 2022-04-12 |
Family
ID=75324965
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011563604.9A Active CN112634946B (zh) | 2020-12-25 | 2020-12-25 | 一种语音质量分类预测方法、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112634946B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104240720A (zh) * | 2013-06-24 | 2014-12-24 | 北京大学深圳研究生院 | 一种基于多重分形和信息融合的语音情感识别方法 |
| CN107358966A (zh) * | 2017-06-27 | 2017-11-17 | 北京理工大学 | 基于深度学习语音增强的无参考语音质量客观评估方法 |
| CN107368892A (zh) * | 2017-06-07 | 2017-11-21 | 无锡小天鹅股份有限公司 | 基于机器学习的模型训练方法和装置 |
| CN108206027A (zh) * | 2016-12-20 | 2018-06-26 | 北京酷我科技有限公司 | 一种音频质量评价方法及系统 |
| CN109448726A (zh) * | 2019-01-14 | 2019-03-08 | 李庆湧 | 一种语音控制准确率的调整方法及系统 |
| CN110047512A (zh) * | 2019-04-25 | 2019-07-23 | 广东工业大学 | 一种环境声音分类方法、系统及相关装置 |
| CN110148419A (zh) * | 2019-04-25 | 2019-08-20 | 南京邮电大学 | 基于深度学习的语音分离方法 |
| CN110866528A (zh) * | 2019-10-28 | 2020-03-06 | 腾讯科技（深圳）有限公司 | 一种模型训练方法、能耗使用效率预测方法、装置和介质 |
| CN111008299A (zh) * | 2020-03-11 | 2020-04-14 | 北京海天瑞声科技股份有限公司 | 语音数据库的质量评估方法、装置及计算机存储介质 |
| CN111326169A (zh) * | 2018-12-17 | 2020-06-23 | 中国移动通信集团北京有限公司 | 一种语音质量的评价方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103730131B (zh) * | 2012-10-12 | 2016-12-07 | 华为技术有限公司 | 语音质量评估的方法和装置 |
-
2020
- 2020-12-25 CN CN202011563604.9A patent/CN112634946B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104240720A (zh) * | 2013-06-24 | 2014-12-24 | 北京大学深圳研究生院 | 一种基于多重分形和信息融合的语音情感识别方法 |
| CN108206027A (zh) * | 2016-12-20 | 2018-06-26 | 北京酷我科技有限公司 | 一种音频质量评价方法及系统 |
| CN107368892A (zh) * | 2017-06-07 | 2017-11-21 | 无锡小天鹅股份有限公司 | 基于机器学习的模型训练方法和装置 |
| CN107358966A (zh) * | 2017-06-27 | 2017-11-17 | 北京理工大学 | 基于深度学习语音增强的无参考语音质量客观评估方法 |
| CN111326169A (zh) * | 2018-12-17 | 2020-06-23 | 中国移动通信集团北京有限公司 | 一种语音质量的评价方法及装置 |
| CN109448726A (zh) * | 2019-01-14 | 2019-03-08 | 李庆湧 | 一种语音控制准确率的调整方法及系统 |
| CN110047512A (zh) * | 2019-04-25 | 2019-07-23 | 广东工业大学 | 一种环境声音分类方法、系统及相关装置 |
| CN110148419A (zh) * | 2019-04-25 | 2019-08-20 | 南京邮电大学 | 基于深度学习的语音分离方法 |
| CN110866528A (zh) * | 2019-10-28 | 2020-03-06 | 腾讯科技（深圳）有限公司 | 一种模型训练方法、能耗使用效率预测方法、装置和介质 |
| CN111008299A (zh) * | 2020-03-11 | 2020-04-14 | 北京海天瑞声科技股份有限公司 | 语音数据库的质量评估方法、装置及计算机存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 移动通信网络投诉热点问题智能预警方法;朱琳等;《电信科学》;20190520;第35卷(第05期);第17-24页 * |
| 面向特定场景的移动网络质量评估方法的研究和实现;王小雨;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》;20190815(第05期);第I136-304页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112634946A (zh) | 2021-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI769754B (zh) | 基於隱私保護確定目標業務模型的方法及裝置 | |
| CN110910901B (zh) | 一种情绪识别方法及装置、电子设备和可读存储介质 | |
| CN108875916B (zh) | 一种基于gru神经网络的广告点击率预测方法 | |
| CN107222865A (zh) | 基于可疑行为识别的通讯诈骗实时检测方法和系统 | |
| WO2021073116A1 (zh) | 生成法律文书的方法、装置、设备和存储介质 | |
| CN111526119B (zh) | 异常流量检测方法、装置、电子设备和计算机可读介质 | |
| CN107729465B (zh) | 人物危险度的评估方法、装置及电子设备 | |
| CN111080109B (zh) | 客服服务质量评价方法、装置及电子设备 | |
| CN114627863B (zh) | 一种基于人工智能的语音识别方法和装置 | |
| CN111460294A (zh) | 消息推送方法、装置、计算机设备及存储介质 | |
| CN111182162A (zh) | 基于人工智能的电话质检方法、装置、设备和存储介质 | |
| CN111326169A (zh) | 一种语音质量的评价方法及装置 | |
| CN110222513A (zh) | 一种线上活动的异常监测方法、装置及存储介质 | |
| CN114528190B (zh) | 单指标异常的检测方法、装置、电子设备及可读存储介质 | |
| CN116362359A (zh) | 基于ai大数据的用户满意度预测方法、装置、设备及介质 | |
| CN113094284A (zh) | 应用故障检测方法及装置 | |
| CN111881972A (zh) | 一种黑产用户识别方法及装置、服务器、存储介质 | |
| CN116230017A (zh) | 语音评估方法、装置、计算机设备和存储介质 | |
| CN112634946B (zh) | 一种语音质量分类预测方法、计算机设备及存储介质 | |
| CN112131354A (zh) | 答案筛选方法、装置、终端设备和计算机可读存储介质 | |
| CN110855474A (zh) | Kqi数据的网络特征提取方法、装置、设备及存储介质 | |
| CN114297384A (zh) | 评论文本分析方法、模型训练方法、装置、设备及介质 | |
| CN114357284A (zh) | 基于深度学习的众包任务个性化推荐方法和系统 | |
| CN114548263A (zh) | 标注数据的校验方法、装置、计算机设备及存储介质 | |
| CN116208513A (zh) | 网关的健康度预测方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information |
Address after: 401120 No.2, 7th floor, Fenghuang a building, No.18, Qingfeng North Road, Yubei District, Chongqing Applicant after: Broid Technology Co.,Ltd. Address before: No.1, area a, building B1, Shenzhen digital technology park, No.002, Gaoxin South 7th Road, Nanshan District, Shenzhen, Guangdong 518000 Applicant before: SHENZHEN BROADTECH CO.,LTD. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |