關於情感語音識別領域的研究距今已有二三十餘年的歷史。不管是情感語音識別，還是語音情感識別，含義是一樣的，都是對帶有情感的語音頻號進**感的正確判斷。最傳統的情感語音識別是基於機器學習下的有監督學習完成的。有監督，即：使用訓練集訓練處乙個模型，然後使用該模型對測試集中的語音頻號進**感狀態的正確判斷。
傳統的機器學習可以理解為模式識別，即需要通過三個環節來完成操作：資料庫、特徵引數、識別網路。這三個環節均有大量的文獻介紹，其中特徵引數這一環節衍生出了很多研究方向，比如：特徵選擇、特徵優化等。
就情感語音識別系統而言
一、資料庫的選擇有：德國的emo-db德語情感語音庫、英國的belfast
英語情感語音庫、中科院casia漢語情感語音庫，還有就是某些研究情感語音的高校實驗室自主錄製的語音庫，比如：太原理工大學張雪英老師團隊錄製的tyut1.0版本和tyut2.0版本、北京航空航天大學（這個是閱讀文獻看到的）。
①、較典型的韻律特徵有：語速、能量、平均過零率、基音頻率等；
②、最典型的音質特徵是：共振峰，這類特徵有很好的識別效果；
③、最典型的基於譜的特徵是：mfcc特徵（梅爾倒譜係數），這個是經典中的經典，但凡研究語音頻號的就應該掌握這一特徵。
關於特徵型別知道有哪些了，接下來就需要了解提取特徵的流程：預處理---特徵提取---計算特徵引數的統計量
（1）預處理：分為三步（端點檢測、預加重、加窗分幀）
端點檢測的目的是：檢測有效聲音段的起始點與結束點，以去除無效聲音段，從而提高語音頻號的處理效率；
預加重的目的是：增加語音頻號中高頻段的解析度，以去除口唇輻射的影響；
加窗分幀的目的是：語音頻號本身是非平穩的，但是又兼具短時平穩的特點，因此將語音頻號分成一小段將此看作平穩訊號來處理。這裡的分段可以理解為是：分幀，為了全面完整的分析語音訊號，要有幀移（這裡的理解與影象處理的滑動窗很類似）
（2）提取特徵，以：語速、能量、平均過零率、基音頻率為例介紹。
語速是對一段語音進行的計算；
能量、平均過零率、基音頻率都是在整段語音頻號的每一幀上進行的計算，故語音頻號劃分為多少幀，計算獲得到少組資料（這些資料就是某一段語音頻號的特徵引數）；
（3）統計量的計算：對於上述單個微觀值，巨集觀量是沒有意義的。相對於微觀量的統計平均性質的巨集觀量稱為統計量。
上述特徵引數是以幀為單位進行提取的，需要以全域性特徵統計值的形式參與情感的識別。集全域性統計指標有：平均值、極值、極值範圍、方差、偏度、峰度、一階導數或二階導數等。
三：識別網路：常用的識別網路有：隱馬爾可夫模型hmm、高斯混合模型gmm、支援向量機svm、人工神經網路ann。
入門級別建議使用svm調通程式，這個最簡單直接、好理解。
輸入：每一類測試集的特徵資料、類別標籤，訓練獲得模型之後，再使用測試集進**感類別的判斷。
所謂的識別率=某一類情感（高興）正確判斷的語句/輸入（高興）測試集的全部語句。
張雪英《數字語音處理及matlab**》，有兩個版本，後一版本是前一版本的更新。建議看版本2。
一些關於語音識別和語音情感識別的資源
這些資源要麼就收費很貴，要麼用不了，嗯 但是也花了很長時間收集，先留著吧。基於svm的語音情感識別 matlab gui介面和文件 點這裡！pythonnlp情感識別專案實戰教程 原始碼 資料集 點這裡！python 語音情感分析 搜一搜？基於svm的情感分析系統點這裡！基於svm的語音情感識別系統...
Tutorial 語音情感識別
ok，沉迷了快兩個星期，終於有進展了啊啊啊！這段時間內心崩潰，感覺毫無思路，但是我沒放棄！看了許多 然後 在這個星期也終於調通了。不過還是有很多地方值得優化，後面再繼續努力吧！其實我個人覺得語音識別這一塊的商用還不夠，情感識別就更別說了，而且識別率這一塊有待提公升。開始正題 資料集用的是emo db...
語音識別的難點
儘管語音識別的研究已有半個世紀了,但現有的語音識別系統仍存在許多困難,還遠遠達不到實用化的要求,主要表現在 1 魯棒性 目前的語音識別系統對環境條件的依賴性強,要求保持測試條件和訓練條件一致,否則系統效能會嚴重下降。2 雜訊問題 現有的語音識別系統大多只能工作在安靜的環境下,一旦在雜訊環境下工作,講...