基于声学特征与分类器模型比较的语音信号强度类别自动分类研究

研究人员针对非校准录音中语音信号强度分类的难题，通过比较15种声学特征集（包括MFCCs、LPCCs、PLP、PNCCs、谱图和eGeMAPS）与7种分类模型（SVM、RF、AdaBoost、DNN、CNN、RNN、BiLSTM），在振幅归一化语音数据集上实现了86.0%的最高分类准确率（BiLSTM模型）。该研究为临床诊断（如发声障碍）和语音技术开发提供了重要工具，解决了传统依赖声压级（SPL）校准的局限性。

　　

在语音通信和健康监测领域，准确识别语音的强度类别（如轻柔、正常、响亮、非常响亮）对情感分析、噪声环境通信和临床诊断至关重要。然而，现实场景中大多数语音记录缺乏声压级（SPL）校准信息，导致传统基于振幅的分类方法失效。这一挑战激发了芬兰阿尔托大学（Aalto University）信息与通信工程系的研究团队开展创新研究，其成果发表在《Speech Communication》上。

研究团队通过系统比较15种声学特征和7种分类模型，开发了不依赖原始振幅信息的自动分类系统。关键技术包括：（1）使用AVID数据库的50名受试者语音，通过振幅归一化模拟非校准录音场景；（2）采用目标诱导标签和SPL标签双标注策略；（3）提取MFCCs、谱图等特征并结合静态/动态系数；（4）应用Grid Search CV和Optuna优化超参数。

研究结果显示：在目标诱导标签下，结合MFCCs+F0、梅尔谱图和谱图的BiLSTM模型达到67.1%准确率；而SPL标签下相同组合使准确率提升至86.0%。特别发现：（1）谱图特征在SPL标签分类中表现最优（83.4%准确率）；（2）BiLSTM因双向时序建模能力显著优于其他模型；（3）特征组合策略比单一特征提升12%以上性能。

该研究的突破性在于：首次系统验证了在缺失振幅信息时，通过声学特征组合仍可实现高精度强度分类。这不仅为语音病理学（如发声困难症）提供了客观诊断工具，更为移动设备语音分析开辟了新途径。未来研究可探索注意力机制等端到端模型，进一步提升在复杂环境下的分类鲁棒性。