语音情感识别研究综述

张会云，黄鹤鸣*，李 伟，康 杰

(1.青海师范大学计算机学院，青海 西宁 810008；2.藏文信息处理教育部重点实验室，青海 西宁 810008；3.青海省藏文信息处理与机器翻译重点实验室，青海 西宁 810008)

1 引言

随着语音识别技术的迅速发展，以计算机、手机、平板等为载体的人工智能研究日新月异。各种人机交互不再局限于识别特定说话人语音中的单一音素或语句，如何识别语音中的情感已成为语音识别领域的新兴研究方向。语音不仅包含说话人所要表达的语义信息，也蕴含说话人的情感状态。对语音情感的有效识别能够提升语音可懂度，使各种智能设备最大限度理解用户意图，从而更好地为人类服务。

2 语音情感识别研究

情感是一种综合了人类行为、思想和感觉的现象[1]。语音情感是指从语音信号中获取相应情感信息，情感信息主要表现在内外两个层面：内在情感信息指心率、脉搏、血压等无法通过外表观察到的信息；外在情感信息指面部表情、声音、语气、眉头、姿势等通过外表能观察到的信息。语音情感识别(Speech Emotion Recognition，SER)指利用计算机分析情感，提取出情感特征值，并利用这些参数进行相应的建模和识别，建立特征值与情感的映射关系，最终对情感分类。

2.1 语音情感语料库

人的情感是通过面部表情、身姿、声音及生理信号等多种模态表现出来的[2，3]。情感判断可基于这些模态中的一个或多个进行，但单模态信息不全、易受干扰，而多模态信息能够互相印证、互相补充，从而为情感判断提供更全面、准确的信息，以提高情感识别性能。……