计算机科学与探索

作者：张雨萌, 张欣, 高谋, 赵虎林

单位：1. 对外经济贸易大学 外国语学院，北京 1001052. 中国人民解放军总医院研究生院 统计学与流行病学教研室，北京 1008533. 中国人民解放军总医院第一医学中心 神经外科医学部，北京 100853

关键词：语音情感识别,梅尔频谱图,多层感知机,动态卷积,注意力机制

基金：国家自然科学基金（82271397）；国家自然科学基金青年基金（82001293）。

语音情感识别技术通过分析语音信号推断说话者情绪，增强人机交互的自然性和智能性。然而，现有模型往往忽视时频语义信息，影响识别准确性。为此，提出了一种融合动态卷积与注意力机制的多层感知机模型，显著提高了情感识别的准确度及信息利用效率。将输入的语音信号转化为梅尔频谱图，捕捉信号细节变化，更贴切地反映人类对声音的感知，为后续特征提取奠定了基础。通过词元化处理将梅尔频谱图转化为词元，降低了数据的复杂性。借助动态卷积与分离注意力机制高效提取关键的时频特征。一方面，动态卷积能够适应不同时间和频率上的尺度变化，优化了特征捕捉效率；另一方面，分离注意力机制增强了模型对关键信息的聚焦能力，有效提升了模型对特征的表达能力。结合动态卷积与分离注意力机制的优势，该模型能够更加充分地提取关键声学特征，从而实现了更高效、更精准的情感识别。在RAVDESS、EmoDB和CASIA三个语音情感数据库上的测试显示，模型识别准确率显著优于现有技术，达到86.11%、95.33%和82.92%。这验证了模型在复杂情感识别任务的高效性和准确性，以及动态卷积和注意力机制的有效性。

来源：2025年第4期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2025年第4期