基于语音韵律的说话人状态识别研究综述.docVIP

基于语音韵律的说话人状态识别研究综述

一、语音韵律特征的核心内涵与量化维度

语音韵律是人类言语产出过程中超越音段层面的超音段特征集合，本质上是说话人生理状态、心理活动与社会表达共同作用的声学外化形式。在说话人状态识别领域，韵律特征的量化通常聚焦四大核心维度：基频（F0）、时长、能量与语调模式。基频对应声带振动的基本频率，其动态变化范围、斜率、抖动程度直接关联情绪唤醒度与应激水平，例如愤怒状态下基频均值可升高20%-50%，而抑郁状态下基频动态范围会缩小30%以上。时长维度涵盖音素时长、音节时长、停顿占比、言语速率等指标，认知负荷较高时说话人会出现音节延长、停顿次数增加30%-70%的特征，疲劳状态下言语速率通常下降15%-25%。能量维度反映语音的振幅大小，与说话人的唤醒程度、呼吸状态高度相关，困倦状态下语音能量均值会显著降低，而疼痛刺激下能量波动幅度会明显增大。语调模式则是基频、时长、能量的动态组合特征，例如陈述句末尾降调斜率的变化可反映说话人的自信程度，疑问句升调特征的缺失往往与认知衰退相关。

传统韵律特征提取多基于孤立维度统计量，当前研究已逐渐转向多维度动态特征融合。例如研究者通过提取基频Contour的一阶、二阶差分特征，结合时长的全局分布模式，实现对欺骗状态的识别，准确率较单一基频特征提升了18%。此外，韵律特征的归一化处理是跨说话人识别的关键步骤，常用方法包括z-s