基于统计的汉语音素类别标识技术及其在语音识别中的应用.PDFVIP

基于统计的汉语音素类别标识技术及其在语音识别中的应用 张华，唐赟，刘文举 中国科学院自动化所模式识别国家重点实验室，北京 100080 E-mail:{ hzhang ,tangyun,lwj }@nlpr.ia.ac.cn 摘要 音素类别标识，是指将音素分为若干类别，并对语音 信号所属音素类别做出判断的过程。音素类别标识可分为基 本文提出了一种基于统计的汉语音素类别标识方法。 于统计和基于知识两种方法。统计音素类别标识，用数据驱 该方法在将汉语音素划分为若干类的基础上，构建运算速度 动的聚类方式对音素分类，其语音特征采用频域特征。基于 快、准确度高的GMM 音素类别标识器，来判断语音信号的 知识的音素类别标识，按照语音学中的发音器官、发音位置、 音素类别。我们将该标识器成功地融合到基于段模型的大词 发音方法等将音素分类，一般采用语音学特征(Phonetic 汇量连续语音识别系统。对863 连续语音的识别实验表明， Features, PF)或其声学相关参数为特征[5] 。统计音素类别标 根据标识器输出的音素类别信息来缩小识别阶段声学模型 识对各个音素类建模，采用模型匹配的方式判断音素类别。 有哪些信誉好的足球投注网站空间的方法，能够在不影响识别正确率的同时，使语音 而基于知识的音素类别标识，可以由语音学参数直接标识音 识别系统的识别时间减少51.8% 。 素类别[6]，也可以通过统计模型如SVM[7]和HMM[8]等标识音 关键词：语音识别; 音素分类; K-均值聚类; 高斯混合模型; 素类别。为了直接使用语音识别系统中的特征数据，并便于 段模型 系统的融合，本文的音素类别标识系统是基于统计方法所设 计，以高斯混合模型((Gaussion Mixture Model, GMM)为分类 1. 引言 器，声学特征采用MFCC 。 目前，汉语连续语音识别系统普遍以音素为识别单元， 汉语语音包括64 个音素，考虑到音调，实验所用音素 以隐马尔科夫模型（Hidden Markov Model, HMM ）为声学 集中共有190 个音素。所有音素的声学模型构成语音识别阶 模型。在语音识别阶段，要求计算待识别语音信号在有哪些信誉好的足球投注网站空 段的有哪些信誉好的足球投注网站空间。在前期训练阶段，我们采取K-均值聚类方法 间内所有声学模型的后验概率，这使得识别过程的计算量 [10]将音素划分为若干类别。有哪些信誉好的足球投注网站空间也被分成了若干个子 大，耗时长[1] 。作为HMM 的改进模型，段模型（Segment 空间，每个子空间与一个音素类别相对应，包含且仅包含该 Model, SM ）放宽了HMM在给定状态时语音观测矢量相互独 音素类别中全部音素的声学模型。音素类别的个数可以根据 立的假设，采用包含若干语音帧的语音段为基本的建模单 需要调整。随后，我们对每个音素类别建立一个GMM 。在 元，从而获得更精确的声学模型[2][3] 。但这也导致其在语音 识别过程的第一阶段，将以帧为单位的待识别语音信号在已 识别阶段的有哪些信誉好的足球投注网站范围更广，大大增加了计算复杂