CN114627891A - 一种动圈扬声器质量检测方法和装置 - Google Patents
一种动圈扬声器质量检测方法和装置 Download PDFInfo
- Publication number
- CN114627891A CN114627891A CN202210525400.9A CN202210525400A CN114627891A CN 114627891 A CN114627891 A CN 114627891A CN 202210525400 A CN202210525400 A CN 202210525400A CN 114627891 A CN114627891 A CN 114627891A
- Authority
- CN
- China
- Prior art keywords
- data
- moving coil
- coil loudspeaker
- sound
- quality
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; 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
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; 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
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
- H04R29/00—Monitoring arrangements; Testing arrangements
- H04R29/001—Monitoring arrangements; Testing arrangements for loudspeakers
- H04R29/003—Monitoring arrangements; Testing arrangements for loudspeakers of the moving-coil type
Abstract
本发明涉及一种动圈扬声器质量检测方法和装置,属于数据检测技术领域。本发明提供的动圈扬声器质量检测方法获取待检测动圈扬声器的声音数据后,提取声音数据的数据特征生成梅尔语谱图,接着将梅尔语谱图输入至采用训练样本数据训练神经网络得到的质量检测模型进行检测,得到检测结果,以在实现动圈扬声器质量自动检测的同时,能够提高动圈扬声器质量检测的精确性和检测效率。
Description
技术领域
本发明涉及质量检测技术领域,特别是涉及一种动圈扬声器质量检测方法和装置。
背景技术
现在在对动圈扬声器质量进行检测时,一般依靠作业员对动圈扬声器进行听力测试,但是,人的判断效率不高且不稳定,并且长期作业对作业员的听力会造成一定损伤。因此,提供一种能够自动进行动圈扬声器质量检测的方法或系统,以提高动圈扬声器质量检测的准确性和检测效率是本领域亟待解决的一个技术问题。
发明内容
本发明的目的是提供一种动圈扬声器质量检测方法和装置,在实现动圈扬声器质量自动检测的同时,提高动圈扬声器质量检测的精确性和检测效率。
为实现上述目的,本发明提供了如下方案:
一种动圈扬声器质量检测方法,包括:
获取动圈扬声器的声音样本数据;所述声音样本数据包括:质检合格的动圈扬声器的声音数据和质检不合格的动圈扬声器的声音数据;
基于所述声音样本数据构建训练样本数据;
采用所述训练样本数据训练神经网络得到质量检测模型;
获取待检测动圈扬声器的声音数据;
提取所述声音数据的数据特征生成梅尔语谱图;
将所述梅尔语谱图输入至所述质量检测模型,得到检测结果。
优选地,所述基于所述声音样本数据构建训练样本数据,具体包括:
对所述声音样本数据进行标注得到样本标签;
提取所述声音样本数据的数据特征生成梅尔语谱样本图;
基于所述梅尔语谱样本图和所述样本标签生成训练样本数据。
优选地,所述采用所述训练样本数据训练神经网络得到质量检测模型,具体包括:
采用所述训练样本数据训练Faster R-CNN网络,直至所述Faster R-CNN网络的输出准确率达到预设值时得到质量检测模型。
优选地,所述提取所述声音数据的数据特征生成梅尔语谱图,具体包括:
对所述声音数据进行归一化处理得到归一化数据;
对所述归一化数据进行预加重处理得到预加重数据;
对所述预加重数据进行分帧处理,并添加窗函数得到时域信号数据;
将所述时域信号数据转换至频域得到能量谱;
采用一组Mel尺度的三角形滤波器处理所述能量谱得到所述梅尔语谱图。
优选地,采用快速傅里叶变换将所述时域信号数据转换至频域得到能量谱。
优选地,所述窗函数为汉明窗。
优选地,以每帧长度为25ms对所述预加重数据进行分帧处理。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供的动圈扬声器质量检测方法,获取待检测动圈扬声器的声音数据后,提取声音数据的数据特征生成梅尔语谱图,接着将梅尔语谱图输入至采用训练样本数据训练神经网络得到的质量检测模型进行检测,得到检测结果,以在实现动圈扬声器质量自动检测的同时,能够提高动圈扬声器质量检测的精确性和检测效率。
此外,本发明还提供了一种动圈扬声器质量检测装置,该装置包括:传感器、PLC和上位机;
所述传感器与所述PLC连接;所述PLC与所述上位机连接;所述传感器用于获取待检测动圈扬声器的声音数据;所述PLC用于将传感器的信号发送给所述上位机;所述上位机中植入有实施上述提供的动圈扬声器质量检测方法的计算机软件程序;所述上位机用于采用所述计算软件程序基于所述声音数据得到检测结果。
优选地,还包括:显示器;所述显示器与所述上位机连接;所述显示器用于显示检测结果。
优选地,还包括:麦克风;
所述麦克风与所述上位机连接;所述麦克风用于输入声音数据或输出检测结果。
因本发明提供的动圈扬声器质量检测装置实现的技术效果与上述提供的动圈扬声器质量检测方法实现的技术效果相同,故在此不再进行赘述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的动圈扬声器质量检测方法的流程图;
图2为本发明提供的动圈扬声器质量检测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动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。
本发明的目的是提供一种动圈扬声器质量检测方法和装置,以在实现动圈扬声器质量自动检测的同时,提高动圈扬声器质量检测的精确性和检测效率。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供的动圈扬声器质量检测方法,包括:
步骤100:获取动圈扬声器的声音样本数据。声音样本数据包括:质检合格的动圈扬声器的声音数据和质检不合格的动圈扬声器的声音数据。其中,录制动圈扬声器的声音样本数据时,需要包括正常声音和异常声音的多种情况,在条件允许的情况下,尽可能录制多个动圈扬声器的声音数据,且一个动圈扬声器的声音录制不超过10条,至少录制一千条数据。
步骤101:基于声音样本数据构建训练样本数据。为了进一步提高动圈扬声器质量检测的精确性,该步骤具体包括:
对声音样本数据进行标注得到样本标签。例如,在对声音样本数据进行标注时,质检合格的动圈扬声器声音数据标注为1,质检不合格的动圈扬声器声音数据标注为0。
提取声音样本数据的数据特征生成梅尔语谱样本图。
基于梅尔语谱样本图和样本标签生成训练样本数据。
步骤102:采用训练样本数据训练神经网络得到质量检测模型。例如,采用的神经网络为Faster R-CNN网络时,采用训练样本数据进行网络训练时,将每次Faster R-CNN网络的输出结果与标注结果进行对比,确定Faster R-CNN网络的输出准确率,直至Faster R-CNN网络的输出准确率达到预设值时,训练结束得到质量检测模型。其中,预设值可以根据实际需要进行设定,例如,设置为不低于80%。
步骤103:获取待检测动圈扬声器的声音数据。
步骤104:提取声音数据的数据特征生成梅尔语谱图。例如,生成梅尔语谱图的过程可以是:读取音频文件,获取音频信号后,用原始音频信号的均值和标准差进行数据的归一化处理(Z-score标准化),经过处理的信号符合标准正态分布,然后,采用梅尔语谱图(Mel-spectrogram)提取归一化后信号的特征:首先,对信号进行预加重,以进一步降低高低频的差异。其次,按每帧的长度为25ms,将信号分成若干帧。再者,对每一帧加一个窗函数,例如使用hamming window(汉明窗)。接着,将时域的信号用快速傅里叶变换(FastFourier Transform,FFT)转换至频域,得到其能量谱,以便其表现出更好的信号特性。最后,将得到的能量谱通过Mel尺度的三角形滤波器组得到Mel-spectrogram。其中,使用三角形滤波器组的目的是使信号更加平滑化的同时,降低运算量。
步骤105:将梅尔语谱图输入至质量检测模型,得到检测结果。在本发明中,检测结果为1或0,当检测结果为1时,表明待检测动圈扬声器的质量合格,当检测结果为0时,表明待检测动圈扬声器的质量不合格。
此外,本发明还提供了一种动圈扬声器质量检测装置,如图2所示,该装置包括:传感器1、PLC2(Programmable Logic Controller,可编程逻辑控制器)和上位机3。
传感器1与PLC2连接。PLC2与上位机3连接。传感器1用于获取待检测动圈扬声器的声音数据。PLC 2用于将传感器1的信号发送给上位机3。上位机3中植入有实施上述提供的动圈扬声器质量检测方法的计算机软件程序。上位机3用于采用计算软件程序基于声音数据得到检测结果。
为了便于用户查看检测结果,在上述提供的动圈扬声器质量检测装置还可以设置有显示器4。显示器4与上位机3连接。显示器4用于显示检测结果。例如,显示器4显示“OK”时,这表明待检测动圈扬声器质量合格,通过检测。显示器4显示“NG”时,这表明待检测动圈扬声器质量不合格,则将本动圈扬声器流入复检模块重新进行检测,以降低误检率。
进一步,为了提高使用性能,本发明提供的动圈扬声器质量检测装置中还可以设置麦克风5。麦克风5与上位机3连接。麦克风5用于输入声音数据或输出检测结果。
实际操作中,由作业员将动圈扬声器的声音放入声音录制盒中,传感器1感受到游戏机时,传入信号给PLC 2,PLC 2将信号传给上位机3(例如电脑),上位机3开始录制声音,将声音数据进行归一化及Mel-spectrogram处理后,输入到质量检测模型,质量检测模型输出分类结果,并将结果展示在显示器4上,作业员根据显示器4的显示内容判断动圈扬声器的质量是否合格。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种动圈扬声器质量检测方法,其特征在于,包括:
获取动圈扬声器的声音样本数据;所述声音样本数据包括:质检合格的动圈扬声器的声音数据和质检不合格的动圈扬声器的声音数据;
基于所述声音样本数据构建训练样本数据;
采用所述训练样本数据训练神经网络得到质量检测模型;
获取待检测动圈扬声器的声音数据;
提取所述声音数据的数据特征生成梅尔语谱图;
将所述梅尔语谱图输入至所述质量检测模型,得到检测结果。
2.根据权利要求1所述的动圈扬声器质量检测方法,其特征在于,所述基于所述声音样本数据构建训练样本数据,具体包括:
对所述声音样本数据进行标注得到样本标签;
提取所述声音样本数据的数据特征生成梅尔语谱样本图;
基于所述梅尔语谱样本图和所述样本标签生成训练样本数据。
3.根据权利要求1所述的动圈扬声器质量检测方法,其特征在于,所述采用所述训练样本数据训练神经网络得到质量检测模型,具体包括:
采用所述训练样本数据训练Faster R-CNN网络,直至所述Faster R-CNN网络的输出准确率达到预设值时得到质量检测模型。
4.根据权利要求1所述的动圈扬声器质量检测方法,其特征在于,所述提取所述声音数据的数据特征生成梅尔语谱图,具体包括:
对所述声音数据进行归一化处理得到归一化数据;
对所述归一化数据进行预加重处理得到预加重数据;
对所述预加重数据进行分帧处理,并添加窗函数得到时域信号数据;
将所述时域信号数据转换至频域得到能量谱;
采用一组Mel尺度的三角形滤波器处理所述能量谱得到所述梅尔语谱图。
5.根据权利要求4所述的动圈扬声器质量检测方法,其特征在于,采用快速傅里叶变换将所述时域信号数据转换至频域得到能量谱。
6.根据权利要求4所述的动圈扬声器质量检测方法,其特征在于,所述窗函数为汉明窗。
7.根据权利要求4所述的动圈扬声器质量检测方法,其特征在于,以每帧长度为25ms对所述预加重数据进行分帧处理。
8.一种动圈扬声器质量检测装置,其特征在于,包括:传感器、PLC和上位机;
所述传感器与所述PLC连接;所述PLC与所述上位机连接;所述传感器用于获取待检测动圈扬声器的声音数据;所述PLC用于将传感器的信号发送给所述上位机;所述上位机中植入有实施如权利要求1-7任意一项所述动圈扬声器质量检测方法的计算机软件程序;所述上位机用于采用所述计算软件程序基于所述声音数据得到检测结果。
9.根据权利要求8所述的一种动圈扬声器质量检测装置,其特征在于,还包括:显示器;所述显示器与所述上位机连接;所述显示器用于显示检测结果。
10.根据权利要求8所述的一种动圈扬声器质量检测装置,其特征在于,还包括:麦克风;
所述麦克风与所述上位机连接;所述麦克风用于输入声音数据或输出检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210525400.9A CN114627891A (zh) | 2022-05-16 | 2022-05-16 | 一种动圈扬声器质量检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210525400.9A CN114627891A (zh) | 2022-05-16 | 2022-05-16 | 一种动圈扬声器质量检测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114627891A true CN114627891A (zh) | 2022-06-14 |
Family
ID=81907310
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210525400.9A Pending CN114627891A (zh) | 2022-05-16 | 2022-05-16 | 一种动圈扬声器质量检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114627891A (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201438762U (zh) * | 2009-04-15 | 2010-04-14 | 天津科技大学 | 用于扬声器纯音在线检测的消音箱 |
US20180181881A1 (en) * | 2016-12-22 | 2018-06-28 | Samsung Electronics Co., Ltd. | System and method for training deep learning classification networks |
CN109102798A (zh) * | 2018-06-29 | 2018-12-28 | 厦门快商通信息技术有限公司 | 一种装修事件检测方法、装置、计算机设备及介质 |
CN109300483A (zh) * | 2018-09-14 | 2019-02-01 | 美林数据技术股份有限公司 | 一种智能化音频异音检测方法 |
CN109599126A (zh) * | 2018-12-29 | 2019-04-09 | 广州丰石科技有限公司 | 一种基于mel能量谱和卷积神经网络的声音故障识别方法 |
CN110648655A (zh) * | 2019-09-11 | 2020-01-03 | 北京探境科技有限公司 | 一种语音识别方法、装置、系统及存储介质 |
CN110706721A (zh) * | 2019-10-17 | 2020-01-17 | 南京林业大学 | 基于bp神经网络的电除尘火花放电识别方法 |
CN111797708A (zh) * | 2020-06-12 | 2020-10-20 | 瑞声科技(新加坡)有限公司 | 气流杂音检测方法、装置、终端及存储介质 |
CN112487865A (zh) * | 2020-11-02 | 2021-03-12 | 杭州兆华电子有限公司 | 一种基于机器学习的扬声器自动分类方法 |
US20210152964A1 (en) * | 2019-11-20 | 2021-05-20 | Lg Electronics Inc. | Method of inspecting sound input/output device |
CN113223498A (zh) * | 2021-05-20 | 2021-08-06 | 四川大学华西医院 | 基于喉部语音信息的吞咽障碍识别方法、设备及装置 |
CN113766405A (zh) * | 2021-07-22 | 2021-12-07 | 上海闻泰信息技术有限公司 | 扬声器的杂音检测方法、装置、电子设备和存储介质 |
CN114355234A (zh) * | 2021-12-31 | 2022-04-15 | 深圳市超海智能装备有限公司 | 一种电源模块的智能化质量检测方法及系统 |
-
2022
- 2022-05-16 CN CN202210525400.9A patent/CN114627891A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201438762U (zh) * | 2009-04-15 | 2010-04-14 | 天津科技大学 | 用于扬声器纯音在线检测的消音箱 |
US20180181881A1 (en) * | 2016-12-22 | 2018-06-28 | Samsung Electronics Co., Ltd. | System and method for training deep learning classification networks |
CN109102798A (zh) * | 2018-06-29 | 2018-12-28 | 厦门快商通信息技术有限公司 | 一种装修事件检测方法、装置、计算机设备及介质 |
CN109300483A (zh) * | 2018-09-14 | 2019-02-01 | 美林数据技术股份有限公司 | 一种智能化音频异音检测方法 |
CN109599126A (zh) * | 2018-12-29 | 2019-04-09 | 广州丰石科技有限公司 | 一种基于mel能量谱和卷积神经网络的声音故障识别方法 |
CN110648655A (zh) * | 2019-09-11 | 2020-01-03 | 北京探境科技有限公司 | 一种语音识别方法、装置、系统及存储介质 |
CN110706721A (zh) * | 2019-10-17 | 2020-01-17 | 南京林业大学 | 基于bp神经网络的电除尘火花放电识别方法 |
US20210152964A1 (en) * | 2019-11-20 | 2021-05-20 | Lg Electronics Inc. | Method of inspecting sound input/output device |
CN111797708A (zh) * | 2020-06-12 | 2020-10-20 | 瑞声科技(新加坡)有限公司 | 气流杂音检测方法、装置、终端及存储介质 |
CN112487865A (zh) * | 2020-11-02 | 2021-03-12 | 杭州兆华电子有限公司 | 一种基于机器学习的扬声器自动分类方法 |
CN113223498A (zh) * | 2021-05-20 | 2021-08-06 | 四川大学华西医院 | 基于喉部语音信息的吞咽障碍识别方法、设备及装置 |
CN113766405A (zh) * | 2021-07-22 | 2021-12-07 | 上海闻泰信息技术有限公司 | 扬声器的杂音检测方法、装置、电子设备和存储介质 |
CN114355234A (zh) * | 2021-12-31 | 2022-04-15 | 深圳市超海智能装备有限公司 | 一种电源模块的智能化质量检测方法及系统 |
Non-Patent Citations (1)
Title |
---|
李宏斌等: "BP神经网络在扬声器异常音检测中的应用", 《声学技术》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108597498A (zh) | 一种多麦克风语音采集方法及装置 | |
CN112017687B (zh) | 一种骨传导设备的语音处理方法、装置及介质 | |
Chi et al. | Subglottal coupling and its influence on vowel formants | |
CN102214464B (zh) | 音频信号的瞬态检测方法以及基于该方法的时长调整方法 | |
CN109326160A (zh) | 一种英语口语发音校对系统 | |
CN109034046A (zh) | 一种基于声学检测的电能表内异物自动识别方法 | |
Deshmukh et al. | Speech based emotion recognition using machine learning | |
US11810546B2 (en) | Sample generation method and apparatus | |
CN106548785A (zh) | 一种语音处理方法及装置、终端设备 | |
CN108091323A (zh) | 用于自语音中识别情感的方法与装置 | |
CN110650426A (zh) | 麦克风阵列的非线性谐波失真检测方法、装置和存储介质 | |
Obin | Cries and whispers-classification of vocal effort in expressive speech | |
US20200227069A1 (en) | Method, device and apparatus for recognizing voice signal, and storage medium | |
CN105283916B (zh) | 电子水印嵌入装置、电子水印嵌入方法及计算机可读记录介质 | |
CN112261566B (zh) | 一种基于云服务的ai智能眼镜音频测试方法 | |
CN114120969A (zh) | 智能终端的语音识别功能测试方法、系统、电子设备 | |
Jackson et al. | Perception and automatic detection of wind-induced microphone noise | |
CN107403629B (zh) | 远场拾音性能评价方法和系统、电子设备 | |
CN114627891A (zh) | 一种动圈扬声器质量检测方法和装置 | |
CN110910900B (zh) | 音质异常数据检测方法、装置、电子设备及存储介质 | |
CN114302301B (zh) | 频响校正方法及相关产品 | |
CN114420165A (zh) | 音频电路测试方法、装置、设备及存储介质 | |
JP7294422B2 (ja) | 音モデル生成装置、音信号処理システム、音モデル生成方法、およびプログラム | |
Magistro | Speech prosody and remote experiments: a technical report | |
CN111341298A (zh) | 一种语音识别算法评分方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220614 |