机率式调变频谱分解于强健性语音辨识ProbabilisticModulation.PDFVIP

機率式調變頻譜分解於強健性語音辨識 Probabilistic Modulation Spectrum Factorization for Robust Speech Recognition 朱紋儀 高予真 陳柏琳 國立臺灣師範大學資訊工程學系 Department of Computer Science and Information Engineering National Taiwan Normal University {698470075, 699470424, berlin}@.tw 洪志偉 國立暨南國際大學電機工程學系 Department of Electrical Engineering National Chi Nan University jwhung@.tw 摘要 在自動語音辨識技術的發展上，語音強健性一直都是一門重要的研究議題。在眾多的強 健性技術中，針對語音特徵參數進行強化與補償為其中之一大主要派別。其中，近年來 已有為數不少的新方法，藉由更新語音特徵時間序列及其調變頻譜來提升語音特徵的強 健性。本論文即是從語音特徵時間序列的調變頻譜域著手，採用機率式潛藏語意分析之 概念，對調變頻譜施以機率式分解並進行成分分析、進而擷取出較重要的成分以求得更 具強健性的語音特徵 。本方法之所有實驗皆於國際通用的 Aurora-2 連續數字資料庫進 行，相較於使用梅爾倒頻譜特徵之基礎實驗，本方法能達到62.84%的相對錯誤降低率。 此外，我們也嘗試將所提方法跟一些知名的特徵強健技術做結合 ；實驗顯示，相對於單 一方法而言，此結合法可進一步提升辨識精確率，代表所提之新方法與許多特徵強健技 術有良好的加成性 。 關鍵詞： 雜訊強健性、語音特徵參數強化 、調變頻譜、機率式潛藏語意分析 一、緒論 大部份的自動語音辨識(automatic speech recognition, ASR)系統，在不受雜訊干擾的理想 實驗室發展環境下，皆可獲得良好的辨識效果；但若應用至真實的日常環境中，卻往往 因為環境中諸多複雜因素的影響，造成系統之訓練環境與測試環境存在不匹配 (mismatch)的問題，使得此系統之辨識精確率大幅度降低。而以上所述造成環境不匹配 問題的種種因素包含了：語者發音結構差異、語者腔調變異、加成性背景雜訊、摺積性 通道雜訊及其他語者發音的干擾等。所謂的語音辨識之強健性技術，即是致力於降低上 述因素所帶來之影響，進而使語音辨識系統在不匹配問題存在的環境下，仍能保有一定 的辨識能力。 目前而言，針對雜訊干擾的各種語音強健技術大致可分為三種類型：第一種類型為 以聲學模型為基礎之強健性技術(model-based techniques) ，其概念為以不變動語音特徵 為原則，主要作用於聲學模型空間，期望藉由調整聲學模型之參數而能更正確地代表含 環境雜訊之語音特徵；第二種類型為以語音特徵為基礎之強健性技術(feature-based techniques) ，它主要作用於語音特徵空間，期望雜訊語音與其原始乾淨語音在此特徵表 194 示(speech feature representation)域上能趨於一致，藉此降低環境雜訊在語音特徵上所造 成的不匹配效應 ；最後第三個類型為綜合式強健性技術(j oint technique) ，它同時考慮到 上述兩種類型的技術，以達到結合特徵空間與模型空間之資訊為目的。 以語音特徵為基礎之強健性技術的其中之一個研究方向，是對於語音特徵參數之統 計特性加以正規化；此方向涵蓋了著名的倒頻譜平均值減去法(cepstral mean subtraction, CMS)[1] 、倒頻