语音情感特征提取的核心声学参数与深度学习模型？ 热门官方

回答：核心声学参数分为韵律特征（基频F0、能量、时长、语速，如愤怒时F0均值升高30%）、谱特征（Mel频谱系数MFCC、线性预测系数LPC，反映音色变化）、音质特征（共振峰、 jitter/shimmer，如悲伤时音质变粗）；深度学习模型包括：①CNN-LSTM混合模型（CNN提取静态谱特征，LSTM捕捉时序动态，在IEMOCAP数据集上准确率达72.3%）；②Transformer-based模型（如Speech-Transformer，通过自注意力捕捉长距离时序依赖，准确率提升至75.6%）；③端到端特征学习（如wav2vec 2.0预训练模型，直接从原始波形学习情感特征，减少手工特征工程依赖）。关键技术挑战是跨语言语音情感特征通用性（如中文“喜悦”与英文“joy”的声学特征差异）。