基于HTK的日語連續(xù)語音識(shí)別系統(tǒng)的建立與研究

摘要：本文簡(jiǎn)單介紹了幾種減少噪音帶來的待識(shí)別信號(hào)特征與模型特征不匹配的方法，針對(duì)噪音環(huán)境下語音特征的變化特點(diǎn)，重點(diǎn)分析了歸一化方法，并對(duì)動(dòng)態(tài)范圍調(diào)整方法做了重點(diǎn)的介紹。通過分析孤立詞識(shí)別中存在的問題，提出了在連續(xù)語音特征曲線中基于動(dòng)態(tài)范圍調(diào)整的新方法。

關(guān)鍵詞：連續(xù)語音識(shí)別；動(dòng)態(tài)范圍調(diào)整；歸一化；算法

中圖分類號(hào)：TN912.34

當(dāng)噪音引起連續(xù)語音信號(hào)失真時(shí)，提取的連續(xù)語音特征曲線也會(huì)在時(shí)域和頻域內(nèi)失真[1]。如果用帶噪特征去匹配純凈語音的特征模型，會(huì)造成帶噪特征與模型之間的不匹配，這就導(dǎo)致了識(shí)別率的下降。

在連續(xù)語音識(shí)別中為了減少上述不匹配的問題，有三種主要解決技術(shù)。一是多條件或者多類型的訓(xùn)練方法，也就是使用帶噪數(shù)據(jù)來進(jìn)行訓(xùn)練[2]。雖然這個(gè)方法能夠在特定的噪音環(huán)境下可以得到較好的識(shí)別精度，但是如果噪音環(huán)境發(fā)生變化識(shí)別精度還會(huì)急劇的降低。換言之，如果待識(shí)別數(shù)據(jù)與模型數(shù)據(jù)的條件（環(huán)境）不同，如：信噪比或者噪聲類型，在待識(shí)別數(shù)據(jù)和模型之間仍會(huì)存在不匹配的現(xiàn)象。二是采用自適應(yīng)模型方法[3]，通過自適應(yīng)模型來減少不匹配的問題。這種訓(xùn)練模型方法同時(shí)使用純凈和噪音數(shù)據(jù)來進(jìn)行訓(xùn)練，這又會(huì)導(dǎo)致模型的區(qū)分度不高，同樣會(huì)是識(shí)別精度下降。三是采用特征歸一化方法，這種方法雖然不能從根本上改變待識(shí)別特征與模型之間的不匹配，但是在一定程度上會(huì)保留模型的區(qū)分度并減少由于環(huán)境變化導(dǎo)致帶噪語音失真的影響。本文主要研究第三種方法。

語音增強(qiáng)和特征補(bǔ)償方法以恢復(fù)語音特征為目的，但是特征歸一化方法只是對(duì)語音特征的某些統(tǒng)計(jì)信息進(jìn)行改變，并期望由此減少噪聲引起的失真。不論是語音補(bǔ)償還是特征補(bǔ)償，都需要改變語音的特征向量，而傳統(tǒng)的歸一化方法只是對(duì)語音特征統(tǒng)計(jì)信息的范圍進(jìn)行處理，提出的算法在保證原有語音統(tǒng)計(jì)信息的前提下，適當(dāng)改變部分語音特征向量。從而減少由噪音引起的語音特征曲線的失真。

動(dòng)態(tài)范圍調(diào)整方法屬于歸一化方法的一種，能夠?qū)Ω蓛艉蛶г胝Z音的特征統(tǒng)計(jì)信息處理到相對(duì)較小的一個(gè)范圍內(nèi)。歸一化方法能夠根據(jù)一些模板值減少噪音特征在統(tǒng)計(jì)信息上的影響。相比使用歸一化方法之前，在干凈語音特征和帶噪語音特征之間的不匹配部分會(huì)顯著減少。語音增強(qiáng)一般應(yīng)用在時(shí)域和頻域中恢復(fù)語音特征的質(zhì)量。特征補(bǔ)償方法通常應(yīng)用在加強(qiáng)連續(xù)語音系數(shù)在對(duì)數(shù)濾波階數(shù)和頻譜域使用。

減少待識(shí)別語音特征和模型的不匹配的方法雖然不是提高語音識(shí)別魯棒性的唯一方法，但卻是一種很有效的方法。通過這種方法可以減少待識(shí)別特征和模型之間的不匹配使得識(shí)別性能得以提高。

1 噪音對(duì)孤立詞語音數(shù)據(jù)的影響

加法性噪音和乘法性噪音是影響語音信號(hào)最普通的兩種噪音類型。例如：加法性噪音包含背景噪音，交通噪音，等等。乘法性噪音主要是傳輸過程中產(chǎn)生的信道失真。例如麥克風(fēng)自身的噪音，房間的反射噪音等等。干凈的語音信號(hào)首先被信道失真所干擾，進(jìn)一步被加法性噪音干擾。

包含噪音的頻譜可以用如下公式描述：

噪音干擾在增益部分和直流分量部分的影響是不同的，如圖1所示：在孤立詞識(shí)別中，很多實(shí)驗(yàn)表明使用DRA方法對(duì)加法性噪音和乘法性噪音都具有很好的性能。

圖2展示了噪音影響在孤立詞中的性能。在圖2中，有兩條不同的特征曲線，曲線表示了干凈語音和10db信噪比的噪音特征在第二項(xiàng)MFCC中。者兩條曲線來源于同一個(gè)語音數(shù)據(jù)。

然而，由于噪音嚴(yán)重的影響，噪音下的MFCC特征曲線的動(dòng)態(tài)范圍要小于干凈語音的MFCC特征曲線的動(dòng)態(tài)范圍。如果使用干凈語音特征建立HMM訓(xùn)練模型，能夠獲得理想的模型并在同等條件下獲得更高的識(shí)別率。但是對(duì)噪音下的語音識(shí)別，由于上述的原因，自動(dòng)語音識(shí)別系統(tǒng)無法在任何噪音下獲得正確的識(shí)別結(jié)果。雖然DRA歸一化方法能夠在孤立詞識(shí)別中獲得較好的識(shí)別結(jié)果，但直接用于連續(xù)語音識(shí)別并不是特別的理想。

圖2展示了在孤立詞中不匹配的峰值。DRA歸一化方法算法使用最大值的方法將頻譜系數(shù)范圍標(biāo)準(zhǔn)化到一個(gè)統(tǒng)一的范圍。在每個(gè)維度，DRA方法將干凈或者帶噪語音頻譜系數(shù)的動(dòng)態(tài)范圍調(diào)整到同一個(gè)標(biāo)準(zhǔn)范圍中。但在孤立詞識(shí)別中，特征曲線中的峰值是有限的。歸一化方法非常適用于孤立詞識(shí)別。而連續(xù)語音識(shí)別特征曲線的峰值要遠(yuǎn)多于孤立詞識(shí)別，歸一化方法并不直接適用。

2 噪音對(duì)連續(xù)語音數(shù)據(jù)的影響

對(duì)連續(xù)語音特征曲線來說，不匹配的峰值隨著語音特征曲線的增長(zhǎng)而增加，語音特征曲線的動(dòng)態(tài)范圍隨著噪音的增加而減少。因此簡(jiǎn)單的歸一化算法不能有效適用連續(xù)語音識(shí)別。

我們的目標(biāo)是縮小待識(shí)別噪音特征曲線與干凈的語音特征曲線之間的差異。經(jīng)過噪音魯棒性方法和DRA方法，語音信號(hào)中的直流分量的不同得以減少，特征曲線中不匹配的峰值也得以減少。

基于前面提到的孤立詞識(shí)別的歸一化方法，我們可以假設(shè)噪音沒有改變?cè)械奶卣髑€的統(tǒng)計(jì)順序，也就是在語音特征曲線上會(huì)存在很多峰值，如第一高峰值，第二高峰值，等等。在連續(xù)語音特征中，全局的統(tǒng)計(jì)信息的匹配就在整個(gè)訓(xùn)練數(shù)據(jù)集中顯得比較重要。一般來說，這些特征曲線上的峰值信息代表了元音的語音特征。隨著訓(xùn)練量的增加，這些峰值信息一般會(huì)集中到相對(duì)穩(wěn)定的區(qū)域。但實(shí)際上，噪音通常會(huì)改變特征曲線的統(tǒng)計(jì)順序。如果能恢復(fù)部分特征曲線上統(tǒng)計(jì)信息的順序，就能增加這些峰值的匹配幾率。

雖然通過上述的圖示可以看出通過歸一化方法可以增加干凈語音特征曲線和帶噪語音特征曲線的擬合程度，連續(xù)語音特征曲線中存在較多的峰值，帶噪語音特征曲線會(huì)改變一些峰值的統(tǒng)計(jì)信息，因此把歸一化方法簡(jiǎn)單的使用到連續(xù)語音識(shí)別中無法達(dá)到如圖的擬合程度。提出的算法可以盡最大可能恢復(fù)帶噪語音的峰值統(tǒng)計(jì)信息。

使用DRA歸一化能提高特征曲線的峰值匹配概率。孤立詞特征曲線通常不含靜音部分，但在連續(xù)語音中，語音之間存在由于思考或者換氣產(chǎn)生的靜音，在此部分仍然使用歸一化方法在過渡位置會(huì)放大只有噪音的信號(hào)特征。這就導(dǎo)致了連續(xù)語音特征在此部分無法匹配。

根據(jù)上面的討論，可以通過下面兩步對(duì)特征曲線進(jìn)行處理。

第一步：從連續(xù)語音數(shù)據(jù)中提取所有的短句子。

估計(jì)無音部分。連續(xù)語音包含許多無音部分和只有噪音的部分，因?yàn)檫@些部分不適合使用DRA。在下一步中消除連續(xù)語音特征曲線中各個(gè)動(dòng)態(tài)范圍的不平衡性。

第二步：把選取出來的短句子分成更小的片段，在每個(gè)片段中使用歸一化方法。

如果片段的長(zhǎng)度接近短句長(zhǎng)度，導(dǎo)致識(shí)別結(jié)果與傳統(tǒng)DRA方法接近，如果片段的長(zhǎng)度特別小，則導(dǎo)致識(shí)別精度急劇下降。根據(jù)實(shí)驗(yàn)得到經(jīng)驗(yàn)數(shù)據(jù)當(dāng)片段長(zhǎng)度為80幀時(shí)，識(shí)別精度最高。不同片段長(zhǎng)度得到的識(shí)別結(jié)果如下圖：

3 小結(jié)

在訓(xùn)練過程中使用大量的數(shù)據(jù)可以使各個(gè)音素的模型逐漸集中在某一個(gè)范圍。對(duì)于測(cè)試數(shù)據(jù)來說，音素的范圍很有可能與模型不在同一個(gè)范圍內(nèi)，待識(shí)別音素是有限的，不可知的。

使用噪音魯棒性方法和DRA在建立區(qū)分度較高模型方法，這些魯棒性方法在發(fā)音較短的孤立詞識(shí)別中展現(xiàn)了良好的識(shí)別性能，并說明了這些方法無法直接在連續(xù)語音識(shí)別中的原因。

雖然在帶噪語音特征曲線和干凈語音特征曲線仍然有不匹配的峰值，需要指出的是，對(duì)比使用傳統(tǒng)的DRA算法，減少了不匹配的峰值。由此可以看出，使用提出的算法調(diào)整帶噪語音特征曲線可以增加峰值部分的匹配幾率。使用該算法在干凈和噪音環(huán)境下可以提高整體的識(shí)別性能。特別指出的是，提出的算法大幅提高了在噪音環(huán)境下的連續(xù)語音識(shí)別性能，根本原因就是相對(duì)于傳統(tǒng)的DRA，選擇了更合適的調(diào)整值，適當(dāng)?shù)姆糯罅朔逯?。該算法在語音頻譜系數(shù)的對(duì)數(shù)系數(shù)特征里也適用。

參考文獻(xiàn)：

[1]張雄偉等編著.現(xiàn)代語音處理技術(shù)及應(yīng)用[M].機(jī)械工業(yè)出版社，2003.

[2]王欣，羅代升，王正勇.基于改進(jìn)譜減算法的語音增強(qiáng)研究[J].成都信息工程學(xué)院學(xué)報(bào)，2007（02）.

[3]孔浩，楊勇，王國(guó)胤.基于多分類器融合的語音識(shí)別方法研究[J].重慶郵電大學(xué)學(xué)報(bào)（自然科學(xué)版），2011（04）.