第三届全国计算机智能接口及智能应用学术会议.pdfVIP

第三届全国计算机智能接口与智能应用学术会议（第三届全国计算机智能接口与智能应用学术会议（NCCIIIA ），），1997 年年 8 月月 11-16 日日, 93-97，张家界，张家界 第三届全国计算机智能接口与智能应用学术会议（第三届全国计算机智能接口与智能应用学术会议（ ）），， 年年 月月 日日 ，张家界，张家界 基于音调的特征提取在非特定人语音识别中的运用基于音调的特征提取在非特定人语音识别中的运用* 基于音调的特征提取在非特定人语音识别中的运用基于音调的特征提取在非特定人语音识别中的运用 武 健，郑 方, 吴文虎, 方棣棠 （清华大学 计算机科学与技术系，北京100084） [jwu, fzheng]@sp.cs.tsinghua.edu.cn, fzheng@cenpok.net 摘要：本文介绍了一种新的特征提取方法，该方法利用了人类听觉对语音音高的感受，摘要： 摘要：摘要： 依据实验心理学的实验结果，对短时功率谱做频率弯折处理，使之更加符合人的听觉习惯， 有助于提高非特定人语音识别的性能。文中详细解释了这种新方法的理论基础及实现方案， 并与传统的线性预测技术作了比较，实验结果表明这种方法比较有效。 关键词：关键词：线性预测编码，短时功率谱，音调的区分域限，非特定人语音识别。 关键词：关键词： 一、引言一、引言 一、引言一、引言 特征提取是语音识别的一个关键步骤。如果提出的特征参数能够比较好地刻划语音的 本质特征，那么在后续处理中就有可能取得理想的效果。目前较为常用的特征提取方法大 都是基于声道的全极点模型的，最典型的就是线性预测编码(LPC)技术。 通常使用的线性预测技术实际上是使自回归全极点模型 A(ω)在各个频带上均等地逼近 语音短时功率谱 P(ω) ，然而人在辩听某个音时常常对各个不同的频率(或者说是音调)段有不 同的反应。 实际上早已有许多人做过这方面的研究，如 Hermansky[1] 在研究语音的感知线性预测 分析 (PLP 技术) 时就考虑用临界带宽 (Critical Band) 来对频谱 P(ω) 沿频率轴作一定的 弯折，从而达到在不同的频段上以不同的精度逼近 P(ω) 的目的，在此基础上再利用等响度 曲线的原理进行处理，这个实验取得了很好的效果。 我们这里介绍的是另外一种利用音调特性来进行特征提取的方案，即用 MEL 刻度对频 率轴进行弯折。 二、基本原理二、基本原理 二、基本原理二、基本原理 音调 (Mel) 3000 语音学中为了描述 听觉上分辨 声音高低 的感受，引入了音调这个概 念 。根据实验心理学的实验结果，心 2000 理上的主观音高主要与声音刺激 的 频率大 小有关[2] ，我们根据实验研 1000 究，规定音调的单位为美(Mel) ，确 定 1000 美的音调为 1000H z60dB 的 频率 (Hz) 声音刺激 的主观感觉。于是，在声强 1000 4000 10000 不变 的前提下便可以对不同频率的 声音刺激进行音调判断，并探求 出音 图 1 音调 －频率表 调 和 频 率 间 的 关 系 。 Stevens 和 Walkman 通过实验建立了一张音调－频率表[3](如 图 1)，形象地阐述了在强度不变的情况下， * 本课题得到 863-306 资助，合同号为 863-306-03-02-4 。 音调和频率之间的关系。 从图上可以看 出两者之间并不是简单的线性关系。在 1,000~4,000H 范围内，两者之间 基本上是线性相关的；当频率大于 4,000H 时，基本上呈对数关系 ；而当频率小于 1,000H 时，则近似于指数关系。 另外，实验心理学的实验结果表明：一般来说，音调的区分阈限 (DL，Distinct