孤立词语音识别算法性能

1?%0’&(0： VYOAKOE POYOBPOB<， ;@THA<OP JTEP EONTCB;<;TB NAB :O J;POHS D@OP ;B EOAH AYYH;NA<;TB$ZB <I;@ YAYOE， -. ABP /01 AEO NAEOUDHHS ABAHS@O@， ;B TEPOE <T ;?YETRO <IO YOEUTE?ABNO TU <IO )ABPAE;B ;@THA<OP JTEP EONTCB;<;TB @S@<O?， :T<I UTE @YOOP ABP ANNDEANS$VOROEAH ?O<ITP@ AEO YETYT@OP :S AB<ITE@， ABP <IO OLYOE;?OB<@ @ITJ <IO@O ?O<ITP@ AEO OUUON<;RO ABP OA@S <T :O AYYH;OP$ @#AB.’*%： VYOONI [ONTCB;<;TB， Z@THA<OP 1TEP ， [ONTCB;<;TB VYOOP ， -.， /01
孤立词语音识别算法性能研究与改进
徐霄鹏 #
#
吴
及!
刘庆升 #
黄文浩 #
（ 中国科学技术大学精密仪器系， 合肥 !’""!5 ） ! （ 清华大学电子工程系， 北京 #"""8* ）
FG?A;H： IAJKLDM?A;H$D@<N$OPD$NB
摘要
文章针对特定人中小字表孤立词语音识别， 以提高实用性为目的， 对两种常用识别方法（ 的效果及其性 -. 、 /01）
%567& 或格形算法， 协方差算法） 成后， 对每个帧， 根据 /DE:;B 算法（
以及自 动 翻 译 系 统
计算其 B 阶 234 系数， 从而得到 B 维 234 特征矢量。 这里有一 本文将在后面给出具 个问题， 就是 234 系数的阶数 B 的选择， 体的讨论和实验结果。
总的趋势也是向大字表或高噪声条件下的识别这个 的 研 究 %,&， 方向发展。而对于已经比较成熟的矢量量化（ 、 动态时间归 -.） 正（ 等识别方法， 如何进一步提高其识别速度与识别率 /01） 从而使其能迅速在生产生活中得到实际应用， 则相对研究较少。 该文作者在声控产品开发的过程中， 本着保证识别率的前 提下尽量提高识别速度的目的， 进行了大量实验， 在文中提出 了一些具有实用价值的方法， 希望能为语音识别技术的进一步 实用化提供一些有益的参考。
%*， +&
!$#
特征提取
%8&， %#"& 首先 麦 克 风 输 入 通 过 放 大 、 反 混 叠 滤 波 %5&， ， 以 ##"!+(9
采样率进 行 采 样 、 得到一系列 8:;< = > / 变 换 等 一 系 列 预 处 理 ， 约 #"?@） 进行分帧， 根据能 的采样值， 随 后 按 #"" 采 样 点 > 帧 （ 量特征和过零率特征进行端点检测 %##&， 提取有效语 音 。 然 后 根 约 !" ?@） 进行分帧， 分 据语音的短时周期特性， 按 !"" 点 > 帧（ 割 方 法 是 加 长 度 为 !"" 点 的 (A??;BC 窗 ， 帧 移 #"?@。 分 帧 完
* 识别性能改进的一些考虑 *$# %&’ 阶数选择
线形预测分析基于如下基本概念， 即一语音样值能用过去 的若干语音样值的线形组合来近似估计（ 预测） 。 按在一所分析 的帧（ 短时段） 内实际的各语音样与各预测样之间的差值的平 方和最小准则， 可以决定唯一的一组预测系数， 即 %&’ 。可以
4,6
表#
%&’
阶数 第一组
*$!
精简表示语音的特征序列中特征矢量的数目
在对两个语音特征序列进行匹配时， 这两个序列各自的长
度（ 总帧数） 将对计算速度具有极大影响， 这 在 123 计 算 中 表 现得尤其突出， 由此可以想到， 为了提高识别速度， 可以从减少 语音序列的总帧数方面着手。减少帧数的可行办法主要有两 种， 一是删除次要帧， 二是相邻帧合并。 根据语音识别理论，一段语音是由一个个不同状态组成， 同一个状态内语音特征呈较平稳的形态，相邻帧距离较小， 而 在不同状态过渡的过程中， 语音模式变化剧烈， 相邻帧距离较 大。研究表明， 在语音识别中起主要作用的帧是处于不同状态 过渡位置的帧 4,6。 根据该结论可以尝试如下方法： 先顺序求出一 次语音的全部相邻特征矢量的距离， 然后删除相邻帧间距较小 的一部分特征帧，利用余下的相邻帧间距较大的帧进行识别。 此外还可考虑用平均的方法把语音序列的相邻的若干帧合并 为一帧， 该方法在实验中取得了良好效果。
认为 %&’ 是 7 域声道全极点模型传递函数 8 （ 的分 7） 9# ( : （ 7） 母 :（ 的 系 数 。 有 关 文 献 4)6 指 出 ， 7） %&’ 的 阶 数 可 以 考 虑 取 ) 到 !" 之 间 ， 如果低于 ) 阶， 对声道模型逼近的误差太大， 而当 阶数从 #! 阶逐渐往 !" 阶甚至更高阶过渡的时候， 虽逼近效果 略有改善， 但增添了一些不必要的细节， 有时使效果反而变坏， 同时计算量大幅度增加。阶数具体如何选择， 应综合考虑系统 特性。
实验四是二级识别效果测试， 各 率的影响， 识 别 方 法 为 123； 次测试的不同之处在于采用了不同的第一级识别对参考语音 在实 进行筛选。 第二级识别均采用识别率最高的全序列 123。 验一中， 为了测试噪音对不同阶数 %&’ 系 数 识 别 效 果 的 影 响 ， 其它实 用同一人在不同条件下录制的 # 、 !、 * 测试集进行测试。 验均用噪音和发音随机性较强的 # 、 这样可 + 测试集进行测试， 以更好地表现出不同方法所产生的效果差距。 在识别速度统计 降温” 的发音进行一次识 中， 用 <:2%:F 程 序 对 特 定 的 某 次 “ 别的时间为基准。 需要说明的是， 由于软件特性的不同， 根据测 试用 8’ 编写的相同程序速度将加快 #" 倍以上， 可 以 达 到 实 时识别的要求。 实验一：
时间顺序从而对识别率有较大的影响。 目前用该方法实现的识 别系统识别率通常在 )"/到 ,"/左右。
近的位置， 也有极少数在第三近的位置。 有鉴于此， 我们在文中 尝试了如下方法： 首先利用速度较快的算法筛选出最接近的三 个参考语音，然后将这三个语 音 的 完 整 的 %&’ 特 征 序 列 与 待 识音的完整的 %&’ 特征序列进行 123 匹配， 得到 最 后 的 识 别 结果。
, ( #+" + ( #+" * ( #+" 0 ( #+" + ( #+" 0 ( #+" 0 ( #+"
!$!
识别方法
!$!$# -. 识别法 %567& -. 的主要工作是聚类，即在特征空间中合理地拟定一组
点（ 该组点整体称为码本， 每个点成为码字） ， 于是特征空间中 任一点均可按最小距离准则用码本之一来代表（ 称为该点的矢 量量化点） 。 训练时由训练音特征序列生成相应的一组码本， 识 别时计算待识音特征序列各帧矢量到各码本的总畸变， 取畸变 值最小同时满足一定距离要求的码本对应音作为识别结果。 该 方法优点是识别计算量较小， 缺点是没有利用语音特征序列的
%:F0$* 。
实验内容：实验一用于 考 证 不 同 阶 数 的 %&’ 系 数 对 识 别 速度和识别率的影响， 采用的识别方法为 8G ； 实验二用于考证
%&’ 特 征 序 列 删 减 对 识 别 速 度 和 识 别 率 的 影 响 ， 识 别 方 法 为 123；实验三用于考证 %&’ 特征序列合并对识 别 速 度 和 识 别
+
实验数据及结论
实验对象： 打开、 关闭、 制冷、 取暖、 升 #+ 个 两 至 三 字 词 （
温、 降温、 强风、 弱风、 温度一、 温度二、 温度三、 温度四、 温度五、 温度六） ， 由两名男性青年发音作为测试集。 其中一名男青年在 噪音（ 说话声、 音乐声、 较大的空调噪声混合） 大、 中、 小情况下 对各语音各发 #! 遍，另一名男青年在噪音适中情况下对各语 音 发 #! 遍 ， 每个词的前两次发音作为训练音， 后 #" 次 发 音 作 为 被 识 别 音 。 被 识 别 音 按 上 述 顺 序 分 别 构 成 第 #、 !、 *、 + 测试 集， 各由 #+" 个语音构成。其中 # 、 + 测试集以各种不同规律进 行发音（ 轻、 重、 缓、 急、 先轻后重、 先重后轻、 先缓后急， 先急后 缓） ， !、 * 测试集发音相对一致性较好。 实验平台： &;;;+0" ， .+< 内存， =:<:>:-!+ 声卡和廉价微 型麦克风。计算所使用的软件为 ?@ABC?D,) 操 作 系 统 和 <:2E
#
78 74&.-#)39 68 :4; <48 =4)3%"#)39 >8&)3 6#)"&.9 （ QB;ROE@;<S TU VN;OBNO ABP 0ONIBTHTCS TU 4I;BA ， (OUO; !’""!5） ! （ 0@;BCIDA QB;ROE@;<S， WO;X;BC #"""8*）