聲紋識別技術(shù)在調(diào)度錄音分析的應(yīng)用研究

【摘要】隨著電網(wǎng)調(diào)控一體模式的應(yīng)用打破傳統(tǒng)的調(diào)度的業(yè)務(wù)范疇，調(diào)控拓展成為電網(wǎng)信息通信與設(shè)備的集中監(jiān)視與指揮控制中心，各類生產(chǎn)業(yè)務(wù)的實時、準(zhǔn)確信息逐步匯集到調(diào)度臺。作為各類監(jiān)控信息和管理流程的匯集點，調(diào)度下令的準(zhǔn)確性直接關(guān)乎電網(wǎng)運行穩(wěn)定性。本文針對調(diào)度錄音系統(tǒng)的需求，通過對聲紋識別技術(shù)在調(diào)度錄音分析的應(yīng)用進行分析研究，期望再進一步通過技術(shù)力量改變調(diào)度下令不規(guī)范，用語不真切的不良習(xí)慣，從根本上解決調(diào)度下令的多年詬病，提升電網(wǎng)調(diào)度下令水平。

【關(guān)鍵詞】調(diào)度；調(diào)度錄音；錄音分析；聲紋識別

1.研究目的及意義

調(diào)度崗位業(yè)務(wù)范疇的擴容，直接導(dǎo)致調(diào)度人員的工作量上浮，對于日常工作，指揮下令的操作更為頻繁，目前調(diào)度電話錄音每月數(shù)量已經(jīng)接近萬條，平均下來每一天都有三、四百條錄音文件產(chǎn)生，其中正規(guī)調(diào)度下令錄音占約2/5，目前針對錄音內(nèi)容，采用人工逐一收聽的辦法來判定錄音內(nèi)容是否規(guī)范，下令是否正確。通過人工抽檢測聽的方式，無法全面有效地評價調(diào)度質(zhì)量，難以確保調(diào)度人員正確使用規(guī)定的調(diào)度術(shù)語且調(diào)度指令準(zhǔn)確、無誤；且人工抽檢方式工作量大，效率低。

應(yīng)用語音分析技術(shù)，將電網(wǎng)調(diào)度中心保存的非結(jié)構(gòu)化的錄音數(shù)據(jù)轉(zhuǎn)為結(jié)構(gòu)化的索引信息（文本結(jié)構(gòu)），通過關(guān)鍵詞檢索、篩選、業(yè)務(wù)歸類等處理及分析，建立聲紋模型以及設(shè)定關(guān)鍵字，如拉開、閉合、下令等關(guān)鍵字眼，對調(diào)度流程規(guī)范進行自動確認(rèn)和問題分析，大幅度提高質(zhì)檢效率和覆蓋面，提升電網(wǎng)調(diào)度質(zhì)量，降低運營成本，提高運營管理水平。

2.主要技術(shù)在調(diào)度錄音分析的應(yīng)用

2.1 調(diào)度錄音預(yù)處理

輸入的調(diào)度語音信號需要進行預(yù)處理，預(yù)處理過程的好壞在一定程度上影響系統(tǒng)的識別效果。在調(diào)度錄音預(yù)處理過程中，采用文本相關(guān)的聲紋識別技術(shù)。

語音轉(zhuǎn)寫（識別），是指將非結(jié)構(gòu)化的語音文件轉(zhuǎn)換為結(jié)構(gòu)化的文本信息，是語音分析的核心功能。處理時將分離后的調(diào)度錄音通過聲學(xué)模型轉(zhuǎn)換為漢語音標(biāo)符號，再通過超大詞匯網(wǎng)絡(luò)的語言模型將音標(biāo)信息識別為文本內(nèi)容。

由于調(diào)度員的本地口音及中文自帶的語調(diào)，必須優(yōu)化聲學(xué)模型和語言模型，以提升語音轉(zhuǎn)寫準(zhǔn)確率。在具體實施過程中，采用識別詞混淆網(wǎng)絡(luò)（Word Confusion Network，WCN）作為文本分類器的輸入，使用WCN中覆蓋的詞而不是只使用語音轉(zhuǎn)寫結(jié)果進行文本分類，提高對識別錯誤的魯棒性。

2.2 調(diào)度錄音索引及檢索

目前，在調(diào)度錄音中，同一個錄音記錄了調(diào)控人員和運行人員的全部對話。通過場景分割技術(shù)對兩方通話內(nèi)容進行分離，進而針對性對調(diào)度質(zhì)量分別進行監(jiān)控和分析，以識別問題發(fā)生點及問題內(nèi)容。場景分割，是指對通話錄音中的雙方通話行為進行檢測、切割和分離。經(jīng)過預(yù)處理的調(diào)度錄音經(jīng)過場景分割，再進行下一步的進行索引與檢索。

語音索引，是指將語音中包含的各類信息進行識別和歸類，并形成方便查詢統(tǒng)計的索過檢測電話錄音的基頻、音高等變化幅度，預(yù)測情緒波動并定位其位置信息，分析出通話錄音的平均語速以及語速變化，檢出通話錄音的靜音時間等，生成標(biāo)準(zhǔn)XML格式的索引文件。索引內(nèi)容包括：

調(diào)控人員語音和運行人員語音的文字轉(zhuǎn)寫結(jié)果，如果是雙聲道語音，則給出聲道信息（關(guān)鍵詞位于哪個聲道）；通話的語音端點、語速等信息，主要包括調(diào)控人員和運行人員各自的每次說話的起止時間、語速（字/秒）、平均語速（字/秒）、異常情緒、靜音時長等。

語音檢索，是指從索引文件進行關(guān)鍵詞信息的快速篩選，返回語音結(jié)果并進行自動統(tǒng)計。語音檢索，支持邏輯組合檢索、二次檢索等功能。

在語音檢索應(yīng)用中，通過使用“拉開”、“閉合”、“下令”、“復(fù)誦”等關(guān)鍵字進行檢索，可快速定位與關(guān)鍵字相關(guān)的錄音信息，從而進一步進行人工篩選。

2.3 調(diào)度錄音模型選取

在語音分析應(yīng)用中，語音識別效果取決于聲學(xué)模型和語言模型。聲學(xué)模型方面，需要考慮人以及用戶使用環(huán)境對語音的影響，建立了不同口音的聲學(xué)模型和噪音處理的聲學(xué)模型；語言模型方面，結(jié)合電力實際業(yè)務(wù)需要，通過對調(diào)度過程的分析，建立有針對性的業(yè)務(wù)語言模型。

中文為帶調(diào)的語言，聲學(xué)特征除傳統(tǒng)的MFCC譜特征外，也使用代表調(diào)型的Pitch特征。一般調(diào)型的特征反映在韻母上，即一個韻母因為調(diào)型不同有4個單元?？紤]到對于同一個韻母的4個單元，其MFCC特征是沒有差異的；而對于不同韻母的同一個調(diào)，其Pitch特征也是很接近的。

雙流模型：

采用雙流聲學(xué)模型建模技術(shù)，將MFCC和Pitch特征分成兩個流：在Tri-phone決策樹聚類階段，對于聲母部分，每個音素建一棵決策樹；對于韻母部分，在MFCC流同一個音素不同調(diào)建一棵決策樹，在Pitch流同一個調(diào)不同音素建一棵決策樹。這種建模方式，大大降低了帶調(diào)韻母需要的模型復(fù)雜度，也改善聲學(xué)模型的精度。

區(qū)分性訓(xùn)練：

在最大似然（Maximum Likelihood，ML）模型訓(xùn)練準(zhǔn)則基礎(chǔ)上，將最小音素錯誤（Minimum Phone Error，MPE）模型訓(xùn)練準(zhǔn)則應(yīng)用于中英文混合雙流聲學(xué)模型的訓(xùn)練，關(guān)鍵在于中英文混合模型MPE訓(xùn)練生成競爭空間時語言模型的選擇。

訓(xùn)練數(shù)據(jù)，分成純中文、純英文、中英文混合3個部分：純中文數(shù)據(jù)，采用中文Uni-gram語言模型、純英文數(shù)據(jù)采用英文Uni-gram語言模型；中英文混合數(shù)據(jù)，采用中文Uni-gram與英文Uni-gram進行插值后的語言模型，采用3部分?jǐn)?shù)據(jù)進行MPE訓(xùn)練后，聲學(xué)模型的識別率得到顯著提高。

2.4 調(diào)度錄音聲紋識別模式匹配

聲紋識別技術(shù)的關(guān)鍵在于對各種聲學(xué)特征參數(shù)進行處理，并確定模式匹配方法[3]，主要模式匹配的方法有：概率統(tǒng)計法、動態(tài)時間規(guī)整法（DTW）、矢量量化法（VQ）、隱馬爾可夫模型法（HMM）、人工神經(jīng)網(wǎng)絡(luò)法（ANN）、支持向量機法（SVM）、融合方法等。

本文旨在高效準(zhǔn)確的匹配出目標(biāo)調(diào)度錄音，并對調(diào)度錄音進行進一步人工分析判斷，因此只要選取合適的模型對原始調(diào)度錄音進行模式匹配，再依靠關(guān)鍵詞檢索成功即可。識別率及關(guān)鍵詞檢索正確率是進行語音分析的根本和核心的前置條件，經(jīng)測試，關(guān)鍵詞檢索正確率約為83%，實際應(yīng)用環(huán)境中智能語音分析應(yīng)用系統(tǒng)具有彈性的置信度策略，可根據(jù)不同的業(yè)務(wù)場景和應(yīng)用需求綜合調(diào)試設(shè)置信度閥值，從而達到最好的應(yīng)用效果。

3.結(jié)語

調(diào)度錄音聲紋識別技術(shù)的應(yīng)用，使得調(diào)度錄音在先期處理過程中更加全面、高效、智能、準(zhǔn)確，大幅度提高調(diào)度錄音質(zhì)檢效率和覆蓋面。通過對調(diào)度下令不規(guī)范、用語不真切的不良習(xí)慣不斷進行整改，提升電網(wǎng)調(diào)度下令水平，從而提高電網(wǎng)運行穩(wěn)定性。

參考文獻

[1]楊陽，陳永明.聲紋識別技術(shù)及應(yīng)用[J].電聲技術(shù)，2007， 31（2）：45-47.

[2]趙力.語音信號處理[M].機械工業(yè)出版社，2003.

[3]王濤，徐乃平.說話人識別及其應(yīng)用的研究[J].微處理機，1997（4）：50-53.