摘要：隨著情感計算成為人工智能的一個重要發(fā)展方向，語音情感識別作為情感計算的一個重要組成部分，受到了廣泛關(guān)注。從情感描述模型、語音情感特征、語音情感庫、語音情感挑戰(zhàn)賽這4個方面對語音情感研究現(xiàn)狀進行總結(jié)，并給出目前語音情感識別技術(shù)存在的挑戰(zhàn)，以及相應(yīng)的研究方法。

關(guān)鍵詞：語音情感識別；情感描述模型；情感特征；語音情感庫；域適應(yīng)

DOIDOI：10.11907/rjdk.161498

中圖分類號：TP391

文獻標識碼：A文章編號文章編號：16727800（2016）009014303

作者簡介作者簡介：薛文韜（1991-），男，江蘇常熟人，江蘇大學(xué)計算機科學(xué)與通信工程學(xué)院碩士研究生，研究方向為語音情感識別。

0引言

1997年，美國麻省理工學(xué)院的Picard教授提出了情感計算（Affective Computing）的概念。情感計算作為計算機科學(xué)、神經(jīng)科學(xué)、心理學(xué)等多學(xué)科交叉的新興研究領(lǐng)域，已成為人工智能的重要發(fā)展方向之一。而語音情感識別作為情感計算的一個重要分支，亦引起了廣泛關(guān)注。

許多國內(nèi)外知名大學(xué)和科研機構(gòu)也開始語音情感識別研究，國外如美國麻省理工學(xué)院Picard教授領(lǐng)導(dǎo)的情感計算研究小組，德國慕尼黑工業(yè)大學(xué)Schuller教授領(lǐng)導(dǎo)的人機語音交互小組等；國內(nèi)如清華大學(xué)的人機交互與媒體集成研究所、西北工業(yè)大學(xué)音頻、語音與語言處理組等。

1語音情感識別

語音情感識別系統(tǒng)主要由前端和后端兩部分組成。前端用于提取特征，后端基于這些特征設(shè)計分類器。在語音相關(guān)應(yīng)用中，運用比較多的分類器是支持向量機和隱馬爾科夫模型。目前，語音情感識別的重點主要集中于特征提取。在傳統(tǒng)的語音情感識別中，如何提取具有判別性的特征已成為研究的重點。隨著數(shù)據(jù)的大規(guī)模增長，傳統(tǒng)語音情感識別的前提（訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)具有相同的數(shù)據(jù)分布）已不能夠被滿足，研究者提出了遷移學(xué)習(xí)的概念，利用域適應(yīng)方法來解決跨庫的語音情感識別。

本文將從情感描述模型、語音情感特征、語音情感庫、語音情感挑戰(zhàn)賽這4個方面對語音情感研究現(xiàn)狀進行總結(jié)，并給出現(xiàn)存語音情感識別的技術(shù)挑戰(zhàn)及相應(yīng)的研究方法。

2情感描述模型

目前主要從離散情感和維度情感兩個方面來描述情感狀態(tài)。

離散情感描述，主要把情感描述成離散的形式，是人們?nèi)粘Ｉ钪袕V泛使用的幾種情感，也稱為基本情感。在當(dāng)前情感相關(guān)研究領(lǐng)域使用最廣泛的六大基本情感是生氣、厭惡、恐懼、高興、悲傷和驚訝。

相對于離散情感描述，維度情感描述使用連續(xù)的數(shù)值來描述情感狀態(tài)，因此也稱作連續(xù)情感描述。它把情感狀態(tài)視作多維情感空間中的點，每個維度都對應(yīng)情感的不同心理學(xué)屬性。常用的維度情感模型是二維的激活度-效價（Arousal-Valence）模型，其二維空間如圖1所示。其中橫軸表示效價屬性（Valence），用于衡量情感的正負面程度；而縱軸表示激活程度（Arousal），用于描述情感狀態(tài)的喚醒程度。通過不同的效價度和激活程度，就能區(qū)分出不同的情感，比如悲傷與生氣兩種負面情緒雖然效價相差無異，但兩者的激活度卻有很大差異。

3語音情感特征

傳統(tǒng)的語音情感特征可粗略地分為基于聲學(xué)的情感特征和基于語義的情感特征?；诼晫W(xué)的情感特征又分為3類：韻律學(xué)特征、音質(zhì)特征以及頻譜特征[1]。音高、能量、基頻和時長等是最為常用的韻律學(xué)特征，由于韻律學(xué)特征具有較強的情感辨別能力，已經(jīng)得到了研究者們的廣泛認同。音質(zhì)特征主要有呼吸聲、明亮度特征和共振峰等，語音中所表達的情感狀態(tài)被認為與音質(zhì)有著很大的相關(guān)性。頻譜特征主要包括線性譜特征和倒譜特征，線性譜特征包括Linear predictor cofficient（LPC）、log-frequency power cofficient（LFPC）等，倒譜特征包括mel-frequency cepstral cofficient（MFCC）、linear predictor cepstral cofficient（LPCC）等。此外，基于這3類語音特征的不同語段長度的統(tǒng)計特征是目前使用最為普遍的特征參數(shù)之一，如特征的平均值、變化率、變化范圍等。然而到底什么特征才最能體現(xiàn)語音情感之間的差異，目前還沒有統(tǒng)一的說法。

在2009年首次舉辦的國際語音情感挑戰(zhàn)INTERSPEECH 2009 Emotion Challenge（EC）的分類器子挑戰(zhàn)中，組織者為參賽者提供了一個基本特征集，選擇了在韻律學(xué)特征、音質(zhì)特征和頻譜特征中廣泛使用的特征和函數(shù)，包括16個低層描述子（Low-Level Descriptors，LLDs）和12個函數(shù)，構(gòu)建了一個384維的特征向量[2]。具體的16個低層描述子和12個函數(shù)如表1所示。

4語音情感庫

語音情感庫作為語音情感識別的前提條件，影響著最終語音情感識別系統(tǒng)的性能。目前，在語音情感庫的建立方面還沒有統(tǒng)一的標準，已構(gòu)建的情感語音庫多種多樣，在語言、情感表現(xiàn)方式（表演型（acted）、引導(dǎo)型（elicited），自發(fā)型（naturalistic））、情感標記方案（離散情感或者維度情感）、聲學(xué)信號條件、內(nèi)容等方面具有很大差異。從情感表現(xiàn)方式而言，表演型情感一般是讓職業(yè)演員以模仿的方式表現(xiàn)出相應(yīng)的情感狀態(tài)，雖然說話人被要求盡量表達出自然的情感，但刻意模仿的情感還是顯得更加夸大，使得不同情感類別之間的差異性比較明顯，這方面的語音情感庫有Berlin Emotional Speech Database（Emo-DB）、Airplane Behavior Corpus（ABC）等[34]。早期對語音情感識別的研究都是基于表演型語料庫，隨著人們意識到引導(dǎo)型情感具有更加自然的情感表達之后，研究者們開始基于引導(dǎo)型情感庫進行研究，比如eNTERFACE[5]。隨著研究的深入，迫切需要一些自發(fā)的語音情感數(shù)據(jù)，目前出現(xiàn)了FAU Aibo Emotion Corpus（FAU AEC）、TUM Aduio-Visual Interest Corpus（TUM AVIC）、Speech Under Simulated and Actual Stress（SUSAS）和Vera am Mittag（VAM）[2，68]。常用的幾個語音情感庫如表2所示，描述了他們在年齡、語言、情感、樣本個數(shù)、記錄環(huán)境和采樣率之間的差異。

5語音情感挑戰(zhàn)賽

雖然已經(jīng)有很多研究致力于語音情感識別，但是相對于其它語音任務(wù)（如自動語音識別和說話人識別）而言，語音情感識別中還不存在標準的語音情感庫和統(tǒng)一的測試條件用于在相同條件下進行性能比較。同時，為了處理更加現(xiàn)實的場景，需要獲得自然的語音情感數(shù)據(jù)。國際語音情感挑戰(zhàn)INTERSPEECH 2009 EC旨在彌補出色的語音情感識別研究和結(jié)果可比性之間的缺陷，它提供了自然的語音情感庫FAU AEC，以及開源工具包openEAR來提取基本的384維特征集，保證了特征的透明性，從而使得結(jié)果具有重現(xiàn)性和可比性[9]。FAU AEC庫包括了德國兩個學(xué)校（Ohm和Mont）10～13歲的孩子與索尼公司的機器狗Aibo進行交互的語音數(shù)據(jù)。為了實現(xiàn)說話人獨立的語音情感識別，通常學(xué)校Ohm記錄的數(shù)據(jù)用于訓(xùn)練，而Mont記錄的數(shù)據(jù)用于測試。INTERSPEECH 2009 EC的情感分類任務(wù)主要包括2類情感（負面情感、所有其它情感）分類和5類情感（生氣、同情、積極、中立和其它）分類，目前已有很多研究基于FAU AEC庫進行情感分類。除了在FAU AEC庫上進行傳統(tǒng)的語音情感識別外，隨著跨庫語音情感識別研究的深入，很多研究者也將FAU AEC作為目標域數(shù)據(jù)庫進行域適應(yīng)的研究。

6語音情感識別的主要挑戰(zhàn)

6.1語音情感特征

在傳統(tǒng)語音情感識別中，提取具有判別性的特征已經(jīng)成為一個重要的研究方向。在情感特征提取過程中，通常存在一些與情感無關(guān)的因素，如說話內(nèi)容、說話人、環(huán)境等，這些不相關(guān)的因素將會使得提取到的特征包含這些因素方面的變化，從而影響情感分類性能。

目前已有部分研究開始考慮這些與情感無關(guān)因素的影響。同時，隨著深度學(xué)習(xí)的提出與發(fā)展，越來越多的研究者開始使用深度神經(jīng)網(wǎng)絡(luò)進行特征提取。Chao等[10]利用無監(jiān)督預(yù)訓(xùn)練去噪自動編碼器，減少了情感特征中說話人的影響。Mao等[11]提出了半監(jiān)督卷積神經(jīng)網(wǎng)絡(luò)模型，提取情感相關(guān)特征，通過實驗證明其對說話人的變化、環(huán)境的滋擾以及語言變化都有很強的魯棒性。Mariooryad 等[12]對特征構(gòu)建音素層次的彈道模型，從聲學(xué)特征中分解出說話人的特性，從而彌補說話人對語音情感識別的影響。

6.2跨庫的語音情感識別

在傳統(tǒng)的語音情感識別中，訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)一般來自同一個語料庫或者具有相同的數(shù)據(jù)分布。隨著數(shù)據(jù)的爆炸式增長，從不同設(shè)備和環(huán)境下獲得的語音數(shù)據(jù)通常在語言、情感表現(xiàn)方式、情感標記方案、聲學(xué)信號條件、內(nèi)容等方面存在很大差異，這就造成了訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)分布的不同，傳統(tǒng)的語音情感識別方法就不再適用。

近年來，遷移學(xué)習(xí)（Transfer Learning）的概念被提出，指從一個或多個源域中將有用的信息遷移到相關(guān)的目標域，以幫助改善目標域的分類性能[13]。域適應(yīng)（Domain Adaptation）作為一種特殊的遷移學(xué)習(xí)，已成功應(yīng)用于跨庫的語音情感識別。Deng等[14]提出一種共享隱藏層自動編碼器（shared-hidden-layer autoencoder，SHLA）模型，相較于傳統(tǒng)的自動編碼器，SHLA的輸入數(shù)據(jù)包含了源域和目標域兩類數(shù)據(jù)，讓兩個域的數(shù)據(jù)共用編碼部分而解碼部分不同，目的是誘使兩個域的數(shù)據(jù)在隱藏層空間具有相似的數(shù)據(jù)分布。Huang等[15]利用PCANet沿著從源域到目標域的路徑提取特征，并用目標域空間來調(diào)整路徑上的特征，以此彌補域之間的差異。

參考文獻參考文獻：

[1]EL AYADI M，KAMEL M S，KARRAY F.Survey on speech emotion recognition：features，classification schemes and databases[J].Pattern Recognition，2011，44（3）： 572587.

[2]SCHULLER B，STEIDL S，BATLINER A.The interspeech 2009 emotion challenge[C].Proceedings INTERSPEECH 2009，10th Annual Conference of the International Speech Communication Association，2009：312315.

[3]BURKHARDT F，PAESCHKE A，ROLFES M，et al.A database of German emotional speech[J].Interspeech，2005（5）：15171520.

[4]SCHULLER B，ARSIC D，RIGOLL G，et al.Audiovisual behavior modeling by combined feature spaces[C].IEEE International Conference on Acoustics，Speech and Signal Processing （ICASSP），2007：733736.

[5]MARTIN O，KOTSIA I，MACQ B，et al.The eNTERFACE05 audiovisual emotion database[C].22nd International Conference on Data Engineering Workshops，2006.

[6]SCHULLER B，MULLER R，EYBEN F，et al.Being bored recognising natural interest by extensive audiovisual integration for reallife application[J].Image and Vision Computing，2009，27（12）： 17601774.

[7]HANSEN J H L，BOUGHAZALE S E，SARIKAYA R，et al.Getting started with SUSAS：a speech under simulated and actual stress database[C].Eurospeech，1997，97（4）： 174346.

[8]GRIMM M，KROSCHEL K，NARAYANAN S.The vera am mittag german audiovisual emotional speech database[C].2008 IEEE International Conference on Multimedia and Expo，2008：865868.

[9]EYBEN F，WOLLMER M，SCHULLER B.OpenEAR—introducing the Munich opensource emotion and affect recognition toolkit[C].3rd International Conference on Affective Computing and Intelligent Interaction and Workshops，2009： 16.

[10]CHAO L，TAO J，YANG M，et al. Improving generation performance of speech emotion recognition by denoising autoencoders[C].2014 9th International Symposium on Chinese Spoken Language Processing （ISCSLP），2014： 341344.

[11]MAO Q，DONG M，HUANG Z，et al.Learning salient features for speech emotion recognition using convolutional neural networks[J].IEEE Transactions on Multimedia，2014，16（8）：22032213.

[12]MARIOORYAD S，BUSSO C.Compensating for speaker or lexical variabilities in speech for emotion recognition[J].Speech Communication，2014，57（1）： 112.

[13]PAN S J，YANG Q.A survey on transfer learning[J].IEEE Transactions on Knowledge & Data Engineering，2010，22（10）：13451359.

[14]DENG J，XIA R，ZHANG Z，et al.Introducing sharedhiddenlayer autoencoders for transfer learning and their application in acoustic emotion recognition[C].2014 IEEE International Conference on Acoustics，Speech and Signal Processing（ICASSP），2014： 48184822.

[15]HUANG Z，XUE W，MAO Q，et al.Unsupervised domain adaptation for speech emotion recognition using PCANet[J].Multimedia Tools & Applications，2016（2）：115.

責(zé)任編輯（責(zé)任編輯：孫娟）