这项与事件相关的潜能（ERP）研究检查了语音识别中上下文相关说话者标准化的时间过程。
我们发现三个ERP组件，即N1（100-220毫秒），N400（250-500毫秒）和后期正向组件（500-800毫秒），它们被推测涉及（a）听觉处理，（b）说话者标准化和词汇检索，以及（c）决策过程/词汇选择。
说话人标准化可能发生在N400的时间窗口中，并且与词汇检索过程重叠。
与非语音上下文相比，无论语音上下文是否具有语义内容，它们都使收听者能够调整到讲话者的音调范围。
以这种方式，语音上下文在潜在的候选词的激活过程中诱导了更有效的说话者归一化，并导致在语音单词识别中更准确地选择了预期的单词。
我们发现三个ERP组件，即N1（100-220毫秒），N400（250-500毫秒）和后期正向组件（500-800毫秒），它们被推测涉及（a）听觉处理，（b）说话者标准化和词汇检索，以及（c）决策过程/词汇选择。
说话人标准化可能发生在N400的时间窗口中，并且与词汇检索过程重叠。
与非语音上下文相比，无论语音上下文是否具有语义内容，它们都使收听者能够调整到讲话者的音调范围。
以这种方式，语音上下文在潜在的候选词的激活过程中诱导了更有效的说话者归一化，并导致在语音单词识别中更准确地选择了预期的单词。
2023/8/5 2:54:19
1024KB
1
问题发现：本次案例为工作中遇到的实际问题，在语音识别中的语料准备部分，需要从网络中爬取相当数量的相关文本，其中发现爬取到了一些不相关的内容，如何把这些不相关的内容剔除掉成为笔者需要思考的问题。
初步思考：遇到此问题笔者第一时间考虑是将文本分词后向量化，使用聚类看一下分布情况，然而发现在不同训练集中，训练样本变化时，向量随之变化，在测试集中表现一般，在实测中几乎无用。
于是想到向量化的方法问题，使用sklearnCountVectorizer方法进行向量化，仅仅是将所有词频无序的向量化，看到另外博文时，发现应该先将目标主题的文本进行词频统计，将统计结果当做向量化模板，实测发现效果不错，现将此方法分享给大家
初步思考：遇到此问题笔者第一时间考虑是将文本分词后向量化，使用聚类看一下分布情况，然而发现在不同训练集中，训练样本变化时，向量随之变化，在测试集中表现一般，在实测中几乎无用。
于是想到向量化的方法问题，使用sklearnCountVectorizer方法进行向量化，仅仅是将所有词频无序的向量化，看到另外博文时，发现应该先将目标主题的文本进行词频统计，将统计结果当做向量化模板，实测发现效果不错，现将此方法分享给大家
2023/7/17 6:40:05
2.71MB
1
https://blog.csdn.net/lhh31/article/details/54810084?from=singlemessage所缺失的RaspberryPi文件夹
2023/6/30 9:29:44
578KB
1
这是使用正点原子探索者开发板实现的LD3320语音识别程序，使用的是spi通信方式，模块唤醒呼叫小李子，要插sd卡，用串口调试助手打印
2023/6/30 7:04:55
1.82MB
1
压缩包内有基于QT设计的语音识别，还有基于C#的语音识别，两套程序，核心代码是C，C++，本人项目所用，共享出来赚点积分。
2023/6/29 5:51:34
12.52MB
1
基于STM32F4VET6开发板的智能语音识别系统（语音识别灵敏度、输出延时、usb输出可配置）,这是基于STM32F4VET6最小系统，和wm8978语音处理芯片所涉及的语音识别代码
2023/6/14 20:16:26
13.62MB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB