XiaoMi-AI文件搜索系统
World File Search System语音编码
基于人工智能的语音编码
I. 简介 编程涉及人力、硬件，并且由于需要通过键盘手动输入，因此在输入时很容易出错。由于编程对于学生和创新非常重要，而手动输入非常耗时，因此需要一个先进的系统来减少程序员的工作量并促进智能工作。我们将要开发的系统比手动输入代码更容易。 有一个名为 Dragonfly 的开源语音识别系统，有 15 个版本。一开始很少有人使用它，但在过去的两年里，它发生了巨大的变化，来自世界各地的大量请求和更新层出不穷，而这背后的原因是“自动化”一词。作为致力于自动化的研究人员和开发人员，他们发现它非常有用。因为它可以自由地创建我们自己的语法。通过使用它，我们正在创建一个完整的语音编码平台。语音编码需要两种软件：语音识别引擎和语音编码命令平台。在这个平台上，人们只需发出命令就可以由平台完成全部代码。为此，我们为其创建了语法，其中包含一组所需的指令。以前有一些程序是由人创建的，但不同之处在于它在运行评估环境中工作（即在命令提示符下）。此外，还开发了一些插件，但它们只是将用户的输入作为所需的语法。我们正在开发一种解决方案，它将从用户那里获取指令，但无需提供语法。
基于语言经验的卷积层和脑干中的语音编码
将人工神经网络 (ANN) 与脑成像技术的输出进行比较，最近在 (计算机) 视觉和基于文本的语言模型方面取得了实质性进展。在这里，我们提出了一个框架来比较口语语言表征的生物和人工神经计算，并提出了对这一范式的几个新挑战。使用 Beguˇs 和 Zhou (2021b) 提出的技术，我们可以分析人工神经网络中间卷积层中任何声学属性的编码。这使我们能够以一种比大多数现有专注于相关性和监督模型的提案更易于解释的方式测试大脑和人工神经网络之间语音编码的相似性。我们将对原始语音进行训练的完全无监督深度生成模型（生成对抗网络架构）引入大脑和 ANN 比较范式，这使得可以测试人类语音的产生和感知原理。我们提出了一个框架，将测量人脑复杂听觉脑干反应 (cABR) 的电生理实验与深度卷积网络中的中间层并行。我们比较了 cABR 相对于脑干实验中的刺激的峰值延迟，以及中间卷积层相对于深度卷积网络中的输入/输出的峰值延迟。我们还检查并比较了之前的语言接触对 cABR 峰值延迟和语音属性的中间卷积层的影响。具体而言，英语和西班牙语使用者对语音属性 (即 VOT =10 毫秒) 的感知不同，有声 (例如 [ba]) 和无声 (例如 [pa])。至关重要的是，英语和西班牙语使用者的 cABR 峰值延迟到 VOT 语音属性是不同的，并且英语训练的计算模型和西班牙语训练的计算模型之间的中间卷积层的峰值延迟也不同。根据八个训练网络（包括复制实验）的结果，人类大脑和中间卷积网络在峰值延迟编码方面表现出了相当大的相似性。所提出的技术可用于比较人类大脑和中间卷积层之间对任何声学特性的编码。
声码器：创建数字语音 | N5DUX
我们是否将数字放入数字语音中？数字语音越来越受欢迎，我认为我们应该仔细研究一下它的工作原理。因此，这次我们将转向技术方面，学习很多（双关语）关于将人类语音编码为数字数据流的知识，这一过程称为语音编码或声码。一开始，有一个声音。我们使用代表该声音的电子波形首先改变无线电信号的幅度，然后改变频率、相位和其他特性，作为在没有电线负担的情况下将该声音传输到很远距离的手段。无线电语音通信的出现是我们文化科学觉醒的主要驱动力，是 19 世纪中叶开始的技术革命的锦上添花。然而，尽管建设和维护有线网络及其相关设备的费用巨大，无线电仍无法取代（甚至无法在经济上与电话竞争）。美国贝尔公司可以添加更多双绞线，或将数千个语音信号多路复用到一条电缆上，但无线电频谱本质上是一种有限的资源。这与数字语音有什么关系？简而言之，就是频谱 - 或者更准确地说，更有效地使用它。电话公司仍然必须通过其系统提供大约 3 kHz 的幅度和相位控制通带，并且不太关心频谱，因为它不限于仅使用一次。电话公司只需添加另一条电线，
K-3 读写能力计划的基本组成部分
K-3 核心阅读计划（第 1 层）全面、精心设计的核心阅读计划符合亚利桑那州英语语言艺术标准，并为教师提供系统、明确的阅读基本要素教学工具。有效的核心阅读计划将满足 80-85% 学生的需求。它涉及“阅读的基本组成部分”教学：语音意识，包括音素意识、语音编码和解码、词汇发展、通过自动阅读文本展示的阅读流畅度、对书面文本的阅读理解以及书面和口头表达，包括拼写和手写。核心阅读模块（第 1 层）的教学时间每周应至少为 450 分钟（约 7 个半小时）。
脑电图和瞳孔测量证据
与单一连续说话者相比，不连续、混合说话者的语音处理效率较低，但人们对处理说话者变异性的神经机制知之甚少。在这里，我们使用脑电图 (EEG) 和瞳孔测量法测量了听众在执行延迟回忆数字广度任务时对说话者变异性的心理生理反应。听众听到并回忆了七位数字序列，其中既有说话者不连续性（单个说话者数字与混合说话者数字），也有时间不连续性（0 毫秒与 500 毫秒数字间隔）。说话者不连续性降低了序列回忆准确性。说话者和时间不连续性都会引发类似 P3a 的神经诱发反应，而快速处理混合说话者的语音会导致相位瞳孔扩张增加。此外，混合说话者的语音在工作记忆维持期间产生的 alpha 振荡功率较低，但在语音编码期间不会产生。总体而言，这些结果与听觉注意力和流式框架一致，其中说话者的不连续性会导致不自愿的、刺激驱动的注意力重新定位到新的语音源，从而导致通常与说话者多变性相关的处理干扰。
来自人类参与者的单个神经元的在线内部语音解码
5 Rancho Los Amigos 国家康复中心，美国加利福尼亚州唐尼 90242 *主要联系人：skwandelt@caltech.edu 摘要：语音脑机接口 (BMI) 将脑信号转换成单词或音频输出，使因疾病或受伤而失去语言能力的人们能够进行交流。虽然在发声、尝试和模仿语音解码方面已经取得了重要进展，但内部语音解码的成果却很少，而且尚未实现很高的功能性。值得注意的是，目前仍不清楚可以从哪些大脑区域解码内部语音。在这项工作中，一名四肢瘫痪的参与者在边缘上回 (SMG) 和初级体感皮层 (S1) 植入了微电极阵列，该参与者进行了六个单词和两个伪词的内部和发声语音转换。我们发现 SMG 单神经元活动具有强大的内部语音解码能力，在在线任务中分类准确率高达 91%（偶然水平 12.5%）。发现内部语音、单词阅读和发声语音过程之间存在共享神经表征的证据。SMG 表示不同语言（英语/西班牙语）的单词以及伪词，为语音编码提供了证据。此外，我们的解码器通过多种内部语音策略（听觉想象/视觉想象）实现了高分类。S1 中的活动受发声语音而非内部语音的调节，这表明在内部语音生成过程中没有发生声道的发声器运动。这项工作代表了高性能内部语音 BMI 的第一个概念验证。