基于语义分析的语音情感在线识别方法研究

朱龙珠，田 诺，张 全

（国家电网有限公司客户服务中心，天津 300000）

语音作为人类情感交流的重要媒介，对于语音情感的分析便成为语音系统发展过程中较为关键的一部分[1]。为此，不少研究学者针对语音情感的在线识别问题进行研究，由此获取语音系统改良中的重要数据[2]。由于在语音情感在线识别研究过程中需要较为精准的语音分析数据，对于收集的语音信息要求较高，因此需集中分析语义状况，获取相应的识别空间[3]。

目前，国内外研究大多数偏向于系统信息整合，将收集的语音数据统一放置于识别空间中，利用空间信息不断推测语音数据发声信号的状况，并在状况数据中配置情感监测装置，根据获取的信号频率判断语音情感，这种方法具有较高的数据操作准确率，能够完整再现语音表达时的真实状态[4]。但在实际研究过程中未对数据信息进行预处理，且语音数据掌控方面较为单一，无法满足系统全面了解的需求，导致语音数据的处理效果较差[5]。针对上述问题，该文提出一种基于语义分析的语音情感在线识别方法。

1 语音数据信息提取与分析

为整合内部语音信息特征，该文对语音数据进行信息提取操作，整合语义分析状态，由于语义分析具有信息类别分类的功能，首先利用其分类的数据进行数据状态调整，将验证装置整合为系统操作提取器，按照提取的空间与标准的不同，将语义分析中的信号传感装备投放至中心语音数据提取空间中[6]。数据信号传感图如图1 所示。

图1 数据信号传感图

在实现对数据的提取后，整理提取的信息，分析其内部语音环境，将环境数据缩减至半个空间状态数据，由空间状态引导数据操作系统装置，并根据装置信息条件研究语音内容，查找空间数据信息，设置数据信息查找公式如下：

式（1）中，A表示数据信息查找参数，p表示内部空间数据，m表示数据操作系统装置指数，n表示内部语音内容函数，c表示语音环境参数[7]。

根据上述操作，将获取的查找参数收集至中心存储空间中，并记录此时的存储状态，以备后续实验操作研究。不断增强模拟信息空间数据功能，简化操作步骤，并将录制的语音信息传输至分析通道中[8]。数据传输图如图2 所示。

图2 数据传输图

在图2 中，语音数据随着传输通道传输至相匹配的分析空间中，将属于同一种类的数据与空间整合为一个集合，划分集合类别，按照类别的性质进行排序操作。合理规划操作流程，时刻监视通道中的数据状态，以此保证数据传输过程的安全性，加大内部转换力度，将语音数据转换至分析空间中，实现对语音数据的分析操作[9]。

2 语音情感信息预处理

在完成语音数据的提取与分析后，对其内部语音情感信息进行预处理操作。结合语义分析的数据分析性能，提升空间整理能力，标准化处理语音情感信息，处理的同时，将语义分析中的处理空间分解为不同的语音情感种类存储空间[10]。空间数据分解图如图3 所示。

图3 空间数据分解图

获取分解参数，将这些参数集中记录至流程环节空间中，结合语音情感数据端点函数检测端点数据。当收集的语音情感数据信号频率呈现陡峰向下陡增的趋势时，表示该语音情感处于激动状态[11]。此时，需按照状态处理准则将此语音情感数据集中收录至内部调节空间中实施基本调节，设置数据调节方程式：

式（2）中，T表示数据调节参数，S表示语音情感数据状态数值，E表示数据信号频率参数，N表示状态处理准则参数，Q表示内部调节空间指数数据[12]。由此，完善空间调节信息状态，处理语音情感参数，将收录的数据全部应用于新式空间的构建中，以语音数据的音量信息分析数据的位置，并查找位置点，标记信息数据，数据信息标记图如图4 所示。

图4 数据信息标记图

根据标记的数据信息过滤提取所有语音数据，保留符合系统需求的数据，清除与数据操作无关的干扰信号，达到对语音情感数据预处理的目的[13]。

3 基于语义分析的语音情感在线识别

在实现对语音情感数据的预处理后，集中处理数据，将语义分析中的情感检验信息录入语音情感在线识别操作中。该文利用决策树算法，分析语音情感的流动状态，利用语音数据距离选取特征参数，并尽可能地缩小实验样本识别范围，保证识别的语音情感数据的精准性[14]。数据流动状态监测图如图5所示。

图5 数据流动状态监测图

利用SKIQ 计算决策树的增长程度，避免因增长程度过缓而造成的语音情感数据分析不到位的状况，加大中心空间语音情感数据的配置力度，对应决策树的每层属性处理数据识别方式，扩大训练样本容量，保证样本存储的完整性。清除决策树中的类别表信息，将语音情感数据信息补充至此列表空间中，整理属性列表数据，设置整理公式如式（3）：

式（3）中，C表示数据整理参数，t表示训练样本容量数值，u表示决策树类别表信息数据[15]。a表示对应的列表空间数据，v表示需进行操作的数据信息[16]。

根据整理后的参数强化识别训练，分辨语音信号振幅，通过振幅大小辨别情绪状态。数据辨别图如图6 所示。

图6 数据辨别图

经过上述操作步骤，不断综合识别处理信息功能，提升识别的有效率及准确率，完成语音情感的整体在线识别。

4 实验与研究

为精准评估该文基于语义分析的语音情感在线识别方法的识别性能，设置相应的实验环境进行性能检验。将该文基于语义分析的语音情感在线识别方法与传统语音情感在线识别方法研究的识别效果进行实验对比。

针对语义分析数据操作的庞杂性以及语音情感在线识别系统信息整合的复杂性，需对其实验环境进行数据筛选，依据收集的语音信息状态，不断分析其所处的真实位置与产生条件，按照信息处理准则分配处理算法，并将处理后的数据进行一定程度的调整，使其符合实验操作标准，并进行如下步骤的实验研究操作：

1）挑选符合系统操作的语音数据，时刻排除无关因素的干扰，并标定信号频率信息状态。设置基本测试环境，将所有的语音数据集中收集至该测试环境中，管理环境信息，并对语音情感数据进行分类。

2）获取分类后的语音情感数据，预加重数据信息，消除声带及嘴唇对语音数据的影响，避免外来信号的干扰，随时调整语音环境，及时检测环境数据，清除异端数据信息，结合状态系统数据，标记情感数据波动信号。

3）在获得语音信息后，调节环境标记参数，将识别算法应用于操作的语音情感数据中，并通过语音情感数据的发射信号频率计算此时的情感状况，精准分析状况数据，并由此识别信息参数，结束实验操作。

在此实验中，根据表1 所示实验参数进行对比实验，进一步提高整体对比效果。

图7 和图8 分别显示出在实验参数条件下，该文方法与基于数据分析的语音情感在线识别方法及基于SVM 的语音情感在线识别方法的识别准确率对比图及识别信号接收完整度对比图。

图7 识别准确率对比图

图8 识别信号接收完整度对比图

根据图7、8 分析得出，基于数据分析的语音情感在线识别方法具有较高的识别准确率，但识别信号的接收完整度较低，基于SVM 的语音情感在线识别方法的信号接收完整度较高，但其识别准确率较低。而该文基于语义分析的语音情感在线识别方法的识别准确率及识别信号接收完整度均高于其他两种传统方法。

造成此种差异的原因在于该文方法结合了语音信息系统，精准分析了语义数据，并在此基础上调整识别信息状态，按照标准化处理参数进行数据处理操作，整合状态数据，同时追踪数据存在的模式状况，提升识别系统的识别有效率，获取较好的识别效果。而传统基于数据分析的语音情感在线识别研究分析了信息的存在模式，并分类语音情感信息数据，在数据操作的标准化处理条件下，实现对语音情感数据的多种调节，获取较高的识别准确率，但在操作的同时未对数据信息的操作步骤进行调节，收集装置的收集效果较差，无法获取较为完整的信号数据，致使其信号接收度较低。传统基于SVM 的语音情感在线识别研究优化了语音信息状况，并对其接收系统的中心性能进行强化，不断分解出不同的强化信息数据，在数据系统进行完整收集的同时标记系统状态，时刻监视状态信息，保证了操作安全性，具有较高的信号接收完整度，但正因如此，对于识别信息的管理力度较小，无法集中收集所有数据，数据整合效果较差，导致其识别准确率较低。

综上所述，该文基于语义分析的语音情感在线识别方法能够更好地调整数据识别状况，优化识别操作，整合信息数据，实现语音情感的较好识别，能够更好地为使用者提供优质服务。

5 结束语

该文在传统语音情感在线识别方法的基础上提出了一种新的基于语义分析的语音情感在线识别方法，并对此进行实验。实验结果表明，该方法的识别效果明显优于传统方法的识别效果，具有较为广阔的发展空间。