技術(shù)特征：

1.基于ai的語音情緒識(shí)別模型的訓(xùn)練方法，其特征在于，包括如下步驟：

2.根據(jù)權(quán)利要求1所述的基于ai的語音情緒識(shí)別模型的訓(xùn)練方法，其特征在于：所述s1中情緒語音識(shí)別數(shù)據(jù)集中包括等樣本數(shù)的憤怒、厭惡、恐懼、幸福、悲傷、驚訝和中立情感；

3.根據(jù)權(quán)利要求1所述的基于ai的語音情緒識(shí)別模型的訓(xùn)練方法，其特征在于：所述s2中的去噪聲使用音頻去噪算法去除背景噪聲；

4.根據(jù)權(quán)利要求3所述的基于ai的語音情緒識(shí)別模型的訓(xùn)練方法，其特征在于：所述去噪聲采用的是卷積濾波算法，所述卷積濾波算法的計(jì)算公式如下：

5.根據(jù)權(quán)利要求1所述的基于ai的語音情緒識(shí)別模型的訓(xùn)練方法，其特征在于：所述s3中的stft的計(jì)算公式如下：

6.根據(jù)權(quán)利要求5所述的基于ai的語音情緒識(shí)別模型的訓(xùn)練方法，其特征在于：所述stft計(jì)算的結(jié)果是一個(gè)復(fù)數(shù)矩陣，每個(gè)元素由幅度和相位組成，幅度表示頻率成分的強(qiáng)度，相位表示信號(hào)在頻率下的相對(duì)位置；

7.根據(jù)權(quán)利要求6所述的基于ai的語音情緒識(shí)別模型的訓(xùn)練方法，其特征在于：所述s4中卷積神經(jīng)網(wǎng)絡(luò)從聲譜圖中提取局部特征的計(jì)算如下：

8.根據(jù)權(quán)利要求1所述的基于ai的語音情緒識(shí)別模型的訓(xùn)練方法，其特征在于：所述s4中能量信息進(jìn)行形成集合的計(jì)算如下：

9.根據(jù)權(quán)利要求8所述的基于ai的語音情緒識(shí)別模型的訓(xùn)練方法，其特征在于：所述s6中的混合矩陣中的橫軸和縱軸分別表示為預(yù)測(cè)標(biāo)簽和實(shí)際標(biāo)簽；根據(jù)大量的模型預(yù)測(cè)結(jié)果將預(yù)測(cè)的數(shù)值填充到混合矩陣中，并且混合矩陣的對(duì)角線設(shè)為預(yù)測(cè)為正類，實(shí)際也為正類的樣本數(shù)，表示模型正確地識(shí)別了正類樣本，且設(shè)有；非對(duì)角線上的預(yù)測(cè)為負(fù)類，即預(yù)測(cè)為負(fù)類，但實(shí)際為正類的樣本數(shù)，表示預(yù)測(cè)錯(cuò)誤的負(fù)類樣本，且設(shè)有。

10.根據(jù)權(quán)利要求9所述的基于ai的語音情緒識(shí)別模型的訓(xùn)練方法，其特征在于：所述s6中的精確率、召回率和f1分?jǐn)?shù)的計(jì)算公式如下：

技術(shù)總結(jié)
本發(fā)明公開了基于AI的語音情緒識(shí)別模型的訓(xùn)練方法；包括如下步驟：S1、收集大量的數(shù)據(jù)信息；S2、對(duì)采集的情緒語音識(shí)別數(shù)據(jù)集進(jìn)行預(yù)處理；S3、對(duì)采集的情緒語音識(shí)別數(shù)據(jù)集進(jìn)行轉(zhuǎn)換成聲譜圖；S4、通過卷積神經(jīng)網(wǎng)絡(luò)提取聲譜圖中的特征；S5、將不同情感狀態(tài)的能量信息進(jìn)行存儲(chǔ)；S6、對(duì)模型進(jìn)行評(píng)估處理；本發(fā)明通過STFT獲得的2D矩陣，結(jié)合計(jì)算得到的能量、幅度值或者相對(duì)位置進(jìn)行建立聲譜圖；通過卷積神經(jīng)網(wǎng)絡(luò)從聲譜圖中提取局部特征，將情緒語音識(shí)別數(shù)據(jù)集、標(biāo)簽、特征集合和能量信息值的范圍值形成情感狀態(tài)的能量信息模板庫；混合矩陣測(cè)試的精確率、召回率和F1分?jǐn)?shù)，更全面地衡量模型性能，實(shí)現(xiàn)對(duì)識(shí)別模型進(jìn)行評(píng)估。

技術(shù)研發(fā)人員：姜振華,徐利,韓敏,程學(xué)偉,王冠樸,劉強(qiáng)
受保護(hù)的技術(shù)使用者：山東信達(dá)物聯(lián)應(yīng)用技術(shù)有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/9