(检测技术与自动化装置专业论文)基于高维空间覆盖方法的非特定人连续数字语音识别的研究.pdf_第1页
(检测技术与自动化装置专业论文)基于高维空间覆盖方法的非特定人连续数字语音识别的研究.pdf_第2页
(检测技术与自动化装置专业论文)基于高维空间覆盖方法的非特定人连续数字语音识别的研究.pdf_第3页
(检测技术与自动化装置专业论文)基于高维空间覆盖方法的非特定人连续数字语音识别的研究.pdf_第4页
(检测技术与自动化装置专业论文)基于高维空间覆盖方法的非特定人连续数字语音识别的研究.pdf_第5页
已阅读5页,还剩93页未读, 继续免费阅读

(检测技术与自动化装置专业论文)基于高维空间覆盖方法的非特定人连续数字语音识别的研究.pdf.pdf 免费下载

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

基于高维空间覆盖理论的非特定人连续数字 语音识别的研究 摘要 由于连续语音在发音时存在协同发音现象,字与字之间的边界并 不明显,因而连续语音的端点检测很难达到1 0 0 的正确率。而错误 的端点必定会导致错误的识别,针对这一问题,本文提出了一种不用 经过端点检测和分割的新的语音识别方法基于高维空间点覆盖 动态搜索理论的非特定人连续数字语音识别的新算法。 本文从画法几何的角度,按照集合论的概念对空间中的曲线、曲 面等基本元素作了重新定义,在高维空间点覆盖理论的基础上给出了 点覆盖的一些基本概念,然后以部分语音信号映射在高维空间中的点 为例,分析了这些语音点在高维空间中的分布情况,语音点的各种几 何覆盖形体以及这些几何覆盖形体间的相互关系。最后将高维空间点 覆盖理论应用于语音识别,提出了一种基于高维空间覆盖动态搜索理 论的非特定人连续数字语音识别算法:首先根据实际连续数字语音的 各不同数字音节,构建连续语音中各不同数字音节的特征空间覆盖 区:然后直接利用高维空间点覆盖动态搜索理论进行识别,最后得到 了较为满意的识别结果。 与m 方法相比较的实验结果表明,在对少量样本进行训练的 情况下,本文所用方法的识别结果明显优于传统的f i m m 方法。随着 样本数量的增多,两种方法的识别率之间的差距在慢慢减小,当样本 数量趋近很大时,它们的识别率都会渐渐逼近1 0 0 ,而基于高维空 间点覆盖的语音识别方法的识别率一直高于h m m 模型方法的识别 率,这是因为基于点覆盖的方法描述的是语音在高维空间的形态分 布,而h m m 模型方法却仅仅是一种概率分布,其精确程度自然不如 点覆盖方法。 关键词:非特定人语音识别,连续数字语音识别,高维空间几何分析, 高维空间点覆盖理论,神经网络 t h er e s e a r c h o ns p e a k e r - i n d e p e n d e n t c o n t i n u o u s s p e e c hr e c o g n i t i o n b a s e do n t h eh i g h d i m e n s i o n s p a c ec o v e r i n g t h e o r y a b s t r a c t t h ec o r r e c tr a t eo fe n d p o i n td e t e c t i o ni sh a r d t og e t10 0 ,s i n c et h e r e l sc o a r t i c u l a t i o nb e t w e e n t w ow o r d so fc o n t i n u o u ss p e e c ha n d t h e r e sn o c l e a rb o u n d a r yb e t w e e nt h e s et w ow o r d s t h e nt h ei n c o r r e c te n d p o i n ti s c e r t a i nt og e tt h ei n c o r r e c tr e c o g n i t i o nr e s u l t i no r d e rt o s o l v et h e s e p r o b l e m s ,w ep r e s e n t an o v e l a l g o r i t h m o f s p e a k e r - i n d e p e n d e n t c o n t i n u o u sm a n d a r i nf i g u r e ss p e e c h - r e c o g n i t i o n ,w h i c hi s b a s e do nt h e d y n a m i cs e a r c h i n gt h e o r y o f h i g h d i m e n s i o n a l s p a c e v e r t e xc o v e r i n g i nt h i sp a p e rt h en e wd e f i n i t i o n so fs o i i l ee l e m e n t ss u c ha sc u l w e s , c u r v e ds u r f a c e se t c i nh i 曲d i m e n s i o n a ls p a c e ( h d s ) a r ep r e s e n t e df r o m t h e p e r s p e c t i v e o fd e s c r i p t i v e g e o m e t r ya n ds e tt h e o r y t h ep r i m a r y c o n e e p t s a b o u tv e r t e xc o v e r i n ga r ea l s op r e s e n t e db a s e do nt h eh i 曲 d i m e n s i o n a l s p a c ec o v e r i n gt h e o r y ( h d s c t ) t h e nw ea n a l y z e t h e d i s t r i b u t i o no f s p e e c hs a m p l e si nh i c ad i m e n s i o n a ls p a c e ,p r o p o s es o m e k i n d so f g e o m e t r i c a lc o v e r a g e a n d s t u d yt h er e l a t i o n s h i pa m o n g t h e m a t l a s t ,t h eh i g hd i m e n s i o n a ls p a c er e g i o n sc o v e r i n gd i f f e r e n t c l a s s e so f f i g u r e sa r ec o n s t r u c t e da n d an e w d y n a m i cs e a r c h i n ga l g o r i t h mb a s e d o n t h eh i g hd i m e n s i o n a ls p a c ec o v e r i n gt h e o r yi sp r e s e n t e da n da p p l i e dt o t h es p e a k e r - i n d e p e n d e n tc o n t i n u o u ss p e e c hr e c o g n i t i o nw i t h o u te n d p o i n t d e t e c t i n ga n ds e g m e n t i n g t h ea c c e p t e dr e c o g n i t i o n r e s u l t sa r eo b t a i n e d t h er e c o g n i t i o nr e s u l t ss h o wt h a tt h ed i f f e r e n c eo fr e c o g n i t i o nr a t e s b e t w e e nh d s c t - b a s e dm e t h o dm e n t i o n e di nt h i sp a p e ra n dc o n v e n t i o n a l h m m b a s e dm e t h o dd e c r e a s e sa st h en u m b e ro ft r a i n i n g s a m p l e s i n c r e a s e s ,a n db o t ho f t h e s er e c o g n i t i o nr a t e sw i l lr e a c h10 0 i ft h e r ea r e e n o u g ht r a i n i n gs a m p l e s h o w e v e r h d s c t - b a s e dm e t h o d a l w a y s o u t p e r f o r m s t h eh m m - b a s e dm e t h o dw h e nt h en u m b e ro f t r a i n i n g s a m p l e s i sf e wb e c a u s et h eh d s c t - b a s e dm e t h o dc a r ld e s c r i b et h e m o r p h o l o g i c a ld i s t r i b u t i o no ft h es p e e c h e si nh d sw h i l eh m m - b a s e d m e t h o dc a no n l yc a l c u l a t et h e p r o b a b i l h y d i s t r i b u t i o no f t h e m k e y w o r d s :s p e a k e ri n d e p e n d e n ts p e e c hr e c o g n i t i o n ,c o n t i n u o u s s p e e c hr e c o g n i t i o n ,h i g hd i m e n s i o n a ls p a c eg e o m e t r ya n a l y s i s ,h i g h d i m e n s i o n a l s p a c e v e g e x c o v e r i n g ,n e u r a l n e t w o r k s i v 吼( k ) ( k ) z 。( 七) 4 ( x l ,x 2 ,z 。) p ,p b 或矿 面 符号说明 窗宽为n 的窗函数 矩形窗窗函数 经过加窗处理后被提取出来的第n 帧语音信号 坐标为( x 、,x :,x 。) 的点a 距离,点a 、b 间的距离,或图蟛口、f 问的距离 过a 、b 两点的条直线 一 以a 、b 两点为端点的线段 平面:丽或“丽 过a 、b 、c 三点的无限平面 ( b c ) 或a f 。, 以a 、b 、c 三点为项点的有限平面图形 “j 。i 瓦过4 i 2a 。的无限超平面 “l 4 。) 过a 1 :a 。的有限的几何体 4 过点上向图形y 所在的无限空间作垂线所得的垂足 d i m 。 图形口的维数 。高维空间图形的乘积运算符 。k 维的单纯形 岛位)将图形口沿向量疗方向平移i 疗1 个单位 p 图形的体积 只,对同一。点集的两粪不同覆盖图形,和的覆盖比 例或| 【五0 向量j 的模 7x 的转置矩阵 v i l y 7 4 9 5 5 6 浙江工业大学 学位论文原创性声明 本人郑重声明:所提交的学位论文是本人在导师的指导下,独立进行 研究工作所取得的研究成果。除文巾已经加以标注引用的内容外,本论文 不包含其他个人或集体已经发表或撰写过的研究成果,也不含为获得浙江 t 业大学或其它教育机构的学位证书而使用过的材料。对本文的研究作出 重要贡献的个人和集体,均己在文中以明确方式标明。本人承担本声明的 法律责任。 作者签名:移姨吼2 0 0 4 年1 2 月2 。日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定,同意 学校保留并向国家有关部门或机构送交论文的复印件和电子版,允许论文 被查阅和借阅。本人授权浙江工业大学可以将本学位论文的全部或部分内 容编入有关数据库进行检索,可以采用影印、缩印或扫描等复制手段保存 和汇编本学位论文。 本学位论文属于 i 、保密口,在年解密后适用本授权书。 2 、不保密口。 ( 请在以上相应方框内手 “4 ”) 作者签名:务城期:2 0 0 4 年1 2 月2 。日 导师签名:乡寄影 日期舻4 啐屈月如e t + 爿渤 浙江工业大学硕士学位论文 第一章绪论 语音识别( s p e e c hr e c o g n i t i o n ) 是指采用电子计算机、电子电路等器件自动 提取或决定声波信号中最基本的、最有意义的信息( 韵质信息) ,以此来确定 语音信号的语言含义的过程。作为一门科学研究领域,它与声学、语言学、生理 学、心理学、人工智能、数字信号处理理论、模式识别理论、以及计算机科学等 众多学科紧密相连。 随着科学技术的发展,人机接口、人机交互界面变得越来越重要,语音接口 由于其自然、机动( 适应性强) 、高效性而受到高度的重视【3 1 。经过近半个世 纪的努力,它正逐渐成为下一代操作系统和应用程序用户界面的关键技术。 1 1语音识别研究的重要意义 自然语音是人与人之间以及人与计算机之间最方便的种信息交换方式。因 此使计算机具有类似于人的听觉功能和发音功能,是人们长期追求的目标f 4 。计 算机语音识别就是为着这个目标而提出的。它是智能计算机系统的重要特征 5 1 。 这一技术的应用将从根本上改变计算机的人机界面,从而对各行各业的发展以及 人们日常生活的方方面面都产生深远的影响。 基于计算机交互界面的应用 有了语音识别技术,你可以在桌面上用声音命令、控制或操纵计算机,让它 成为你最听话的助手。你可以口述文本并把它转换成为支持剪贴功能的任何应用 程序( c u t a n d p a s t ef u n c t i o n ) 。你可以口述文件、报告和邮件,让你的计算机成 为一名出众的打字员。忙时你可以边做工作边将任务分配给你的计算机伙伴;闲 时你可以以任何姿势与计算机聊天,不必再害怕什么电脑综合症了。让计算机真 j e 成为你最忠实的伙伴,最得力的助手,且不需劳累你的手指,远离了辐射较强 的显示屏。 基于电话的应用 这是现阶段语音识别技术中最重要的一个应用方向,口述要拨打的电话号码 或呼叫一个亲切的名称,就可以连通电话的另一端。即使在你洗衣做饭走不开时, 也可以用一句轻松的命令接通电话。就连你的手机有了这一功能也会增色不少, 浙江工业大学硕士学位论文 相信在不久的将来的手机市场中它必定会独领风骚。 另外,通过电话使计算机能够直接为客户提供金融、证券和旅游等方面的信 息查询及服务,进而成为电子商务进展中的重要- - 环( v o i c e c o m m e r c e ) 1 ,这也是 当今语音识别技术的热点。现有的许多对话系统( c o n v e r s a t i o n a ls y s t e m s ) 就是 专为这一功能而设的。 g a l a x y 6 7 1 g a l a x y 是由m i t 的s l s 小组开发的一个人机对话系统 ( h u m a n c o m p u t e rc o n v e r s a t i o n a ls y s t e m ) ,用于在线的信息和服务的口语 语音接口。即:机器要懂得用户的语音问题,然后找到答案,最后同样用 自然语音形式反馈给用户。最初它被用于旅游航空等领域中,包括空中旅 行( a i rt r a v e l ) 、本地导航( l o c a lc i t yn a v i g a t i o n ) 和天气预报( w e a t h e r i n f o r m a t i o n ) 等,并支持多种语言的查询。 v o y a g e r v o y a g e r 是g a l a x y 的前一代。它们采用的都是s u m m i t t 8 , 9 , 1 0 1 识 别引擎( s u m m i t r e c o g n i t i o ne n g i n e ) 。 w a x h o l m 【1 1 】 w a x h o l m 系统被用来查询斯德哥尔摩群岛( s t o c k h o l ma r c h i p e l a g o ) 的游船信息。 还有一些列车时刻表的对话查询系统【1 2 1 3 f 1 4 。 另外,基于对话的语音识别技术在a t i s ( a i r t r a v e li n f o r m a t i o ns y s t e m ) 领域1 15 1 6 】、城市导航1 7 , 1 8 i 、汽车分类( a u t o m o b i l ec l a s s i f i e d s ) 1 1 9 1 等领域都曾 有过应用。 在工业控制方面的应用 语音识别技术作为声控产业,必将对编辑排版、办公自动化、工业过程和机 器操作的声控技术起到重大的推进作用。这时你的一声令下,所有的机器就都在 你的指挥之下了,它们真的可以昕到你的话了。 在多语言翻译工程中的应用 多语言翻译工程【2 0 ,2 1 2 2 2 3 ,2 4 1 是语音识别( s p e e c hr e c o g n i t i o n ) 、机器翻译 ( m a c h i n et r a n s l a t i o n ) 和语音合成( s p e e c hs y n t h e s i s ) 三种技术结合的产物, 垠于语音的i u 丁髓务柏的地方也伯、v - - b u s i n e s s 一2 一 浙江工业大学硕士学位论文 其中语音识别是首要完成的步骤。这一工程可以实现人类用本国语言进行互相交 流的梦想。这些工程目前仍在进行之中,其中w e r b m o b i l t 2 1 1 的目的是开发一 种便携式的语音对语音的同声翻译系统,该系统目前仅支持日语对英语,及英语、 德语间的互译。j a n u s i i l 2 2 1 是由c m u 开发的,目前支持从英语或德语到德语、 英语、日语中的一种的翻译。【2 4 】是由e t r i 开发的s l t ( s p o k e nl a n g u a g e t r a n s l a t i o n ) 系统,它可以将韩语翻译成英语或同语,用于旅游计划等任务。 待这一工程完成之日,面对面谈判时,就再不用同时带个同声翻译员了,一 对耳机一个话筒,你就会感觉像在和老朋友交谈一样,自如随意。 在其他方面的应用 另外语音识别还在信息检索,情报获取方面都有重要应用。可以预言,语音 识别技术必将对工业、金融、商业、文化、教育等诸方面产生革命性的影响。这 是一项具有巨大应用前景的工程。 1 2 选题的背景 语音识别技术从2 0 世纪5 0 年代发展至今可以说已经取得了许多可喜的成 就,如i b m 的v t d ( v o i c et y p ed i c t a t i o n ) f 2 5 】系列和d r a g o n 公司的d r a g o n d i c t a t e 系统【2 6 , 2 7 j ,然而,在对历史的回顾之中,我们才发现每一步走得都是如此的艰难, 才体会到语音识别技术的研究确实是任重而道远,且目前仍还存在许多急需解决 的基础问题。 j 2 t 国外语音识别研究的发展概况 1 ) 早期( 五六十年代) 早在】9 5 2 年,贝尔研究所d a v i s ,b i d d u l p h ,和b a l a s h e k 研究成功了世界上 第一个语音识别系统可以识别1 0 个英文数字发音的实验系统2 8 1 。这个系统 识别的是一个人说出的孤立数字,并且很大程度上依赖于每个数字中的元音的共 振峰的测量。1 9 5 6 年,在r c a 实验室。o l s o n 和b e l a r 研制了可以识别一个说话 人的1 0 个单音节的系统2 9 1 ,它同样依赖于元音带的谱的测量。1 9 5 9 年,英国的 f r y 和d e n e s 研制了个能够识别4 个元音和9 个辅音的识别器1 3 0 j ,他们采用了 潜分析仪和模式匹配器。所不同的是他们对音素的序列做了限制( 这相当于现在 的语法规则) ,以此来增加字识别的准确率。同一时期的还有m i t 林肯实验室的 浙江t 业大学硕士学位论文 元音识别器【3 l 】,它以一种非特定人的方式来识别1 0 元音,这里同样运用了语音 波形的频率谱和谱序列的信息。 6 0 年代,出现了一些语音识别的基本思想的雏形,主要有三项成果。首先 是美国新泽西州普林斯顿r c a 实验室的m a r t i n 和他的同事提出了一些有关语音 的不均匀尺度问题的解决方案,发展了一些基于语音的起点和终点检测的时间规 整化的方法【3 2 。同时,苏联的n t s ) r u k 提出了用动态规划的方法将两段语音的 时间对齐的方法吲,这实际上是动态时间弯折( d t w ,d ”锄i c t i m e w a r p i n g ) 方法的最早版本,尽管到了8 0 年代才为外界知晓。第三个是连续语音识别的先 驱r e d d y 。他采用的是音素的动态跟踪的方法f 3 4 】。 2 ) 中期( 七八十年代) 到了7 0 年代,语音识别进入了一个新的里程碑。 首先,在小词汇量、孤立词的识别方面取得了许多实质性的进展。 其次,i b m 语音研究小组,就是在7 0 年代开始他的大词汇语音识别研 究工作的。 最后,a t & a 的贝尔研究所也开始了一系列有关非特定人语音识别的实 验。这一研究历经1 0 年,其成果是确立了如何建立用于非特定人语音识别的标 准模板的方法。然而,目前的语音识别器对非特定入的正确识别率还都不是很高。 这一时期的语音识别方法基本上是采用传统的模式识别策略。其中以苏联的 v e l i c h k o 和z a g o r u y k o 【35 1 、日本的迫江和千叶1 3 6 】,以及当时在美国的板仓【3 7 1 等人 的研究工作最具有代表性。苏联的研究3 5 1 为模式识别应用于语音识别这一领域奠 定了基础;e t 本的研究则展示了如何利用动态规划( d y n a m i cp r o g r a m m i n g ) 技 术在待识语音模式与标准语音模式之间进行非线性时间匹配的方法;而板仓的研 究旧则提出了如何将线性预测分析技术( l p c ) 加以扩展,使之用于语音信号的特 征抽取的方法。 8 0 年代也是一个硕果累累的年代,这时期的研究的重点逐渐开始转向大词 汇量、非特定人的连续语音识别上。 首先,是在连接词识别上的成就。包括n e c ( n i p p o n e k c t f i cc o r p r a t i o n ) 的s a k o e 的两级d p 法( t w o l e v e ld ”a m i cp r o g r a m m i n g ) d s 、b e l l 实验室的 m y e r s 和r a b i n e r 的分层构造法( l e v c lb u i l d i n g ) | j 9 1 、b e l l 实验室的l e e 和r a b i l l e r 的帧同步分层构造法( f r a m es y n c h r o n o u sl e v e lb u i l d i n g ) 4 0 1 ,以及英国j s r u d 浙江工业大学硕十学位论文 ( j o i ms p e e c hr e s e a r c hu n i t ) 的b r i d l e 和b r o w n 的一次通过法【4 ”。其基本思路 都是将连续单词语音识别系统的参考模式看成是由孤立单词的参考模式按时间 顺序动态接续组合而成的,识别系统把待识别的连续语音和被接续起来的单词模 式序列进行匹配比较,找到距离最短的单词参考模式的序列就是识别结果。 其次,8 0 年代最具代表性的成就,就是将语音识别的技术思路从基于模 板匹配的方法转移到了基于统计模型的方法,尤其是隐马尔可夫模型( h m m , h i d d e nm o r k o vm o d e l ) 1 4 2 , 4 3 1 的方法。在8 0 年代中期,隐马尔可夫模型( h m m ) 技术就已经得到了世界的认可,并不断成熟和完善,最终成为语音识别的主流方 法。 d a r p a 的又一个1 0 年计划“( 1 0 0 0 单词) 连续语音数据库管理”1 4 4 1 在 这一时期开始了。在这一时期,以知识为基础的语音识别的研究日益受到重视。 在进行连续语音识别的时候,除了识别声学信息外,更多地利用各种语言知识【4 5 j , 诸如构词【4 6 】、句法 4 6 a 7 1 、语义【”1 、对话背景等方面的知识来帮助进一步对语音 作出识别和理解。同时在语音识别研究领域,还产生了基于统计概率的语言模型 1 4 9 1 。 最后,人工神经网络( a n n ) 5 0 , 5 1 1 在语音识别中的应用研究,也在这一时 期兴起。在这些研究中,大部分采用基于反向传播法( b p 算法) 的多层感知网 络。a n n 具有区分复杂的分类边界的能力,显然它十分有助于模式划分。由于 它克服了h m m 模型的自适应能力弱,稳健性不强等特点,因而在语音识别的研 究中也占有很重要的位置。8 0 年代末,k o h o n e n 就用s o m ( s e l f - o r g a n i z i n g m a p ) 和l v q ( l e a r n i n gv e c t o rq u a n t i z a t i o n ) 【5 3 成功地设计了一台对芬兰语的音素 打字机f 5 4 】。 3 ) 近期( 九十年代至今) 进入9 0 年代以后,语音识别的研究主要集中在提高非特定人的大词汇量连 续语音识别( l a r g ev o c a b u l a r yc o n t i n u o u ss p e e c hr e c o g n i t i o n ,简写为l v c s r ) 的性能上例,在语音识别的系统框架方面并没有什么重大突破。在这一时期,尽 管真正理想的识别系统还尚待时日,但许多产品已竞相浮出水面,这是语音识别 技术初露光芒的一个时期。 首先,是基于电话的语音识别系统1 6 。8 1 ,由于其广泛的应用前景,成了 当d i 语音识别应用的一个热点,但它们基本上都是基于特定人甚至是单个人 浙江t 业大学硕j 学位论文 的小词汇量的识别系统。 另外,面向个人用途的连续语音听写机 2 5 , 2 6 , 2 7 1 技术也日趋完善。这方面, 最具代表的是i b m 的v t d ( v o i c et y p ed i c t a t i o n ) 2 5 1 和d r a g o n 公司的d r a g o n d i c t a t e 系统27 1 。这些系统具有说话人自适应能力,用户可以在使用中不断提高 正确识别率,但由于训l 练时间较长以及错误率还较多,因此还没有得到广泛的应 用。 9 0 年代后期许多科学工作者开始展开音频和视频相结合的语音识别技术的 研究t 56 1 ,这一技术思路的出发点f 5 7 】是希望能够将人的口形以及面部肌肉运动方 向加入到语音识别中,以此增强某些模糊语音的判断能力,从而增加语音识别的 正确率。 9 0 年代的另一贡献就是面对各类不同应用方向的系统,人们开始有一些客 观的统一的评价标准了,其用于评估的语料库也逐渐变得更加完备。如9 3 年 和9 4 年【5 9 ) 对于大词汇量连续语音识别系统的评估,以及9 7 年对b r o a d c a s tn e w s 的测试【6 0 1 ,这些结果对以后人们对语音识别系统的性能的认识以及系统今后的发 展方向的确立都有很大的帮助。 在长期的实践过程中,人们开始认识到语音识别任务的艰巨性。2 l 世纪初 甥,在继续走产品化的道路的同时,一些公司重薪又开始关注语音识别的基础性 研究课题。例如,微软亚洲研究研院2 语音组,将近1 0 年内的研究方向设定为: 研究能使语音识别器识别更准确、功能更强大的新的声学模型技术,以及语音技 术在信息检索中的运用( 包括语音档案搜索和语音查询处理) ,其重点为快速说 话人自适应技术( 如特定群组的声学模型的建造) 和声学模型训练技术( 如信道 映像和判别训练) 。经过几年的努力,他们已经在许多基础课题上有了一定的进 展,如,对说话入和口音自适应技术【6 l j 的研究,对语音的声调【6 2 】、情绪f 6 3 】等方 面的研究,以及对语言模型【6 4 ,65 1 、识别算法吲的进一步探讨等等。另外他们还 对连续语音音长的可变性1 6 7 j 和训练策略 6 8 】等基础性问题进行了重新的探索和评 价。而另外一些公司,如日本的许多公司,则是把目光转移到对小型系统的应用 上,如基于电话的查询系统,和基于硬件的小词汇量的识别系统的研究。还有一 些公司则仍在继续按着主流方向艰难的行进若。 = 1 9 9 8 年”月5 t 微软公r u 投 唢莉- 北京成0 + 微软中田j i j f 究院井于2 0 0 1 年”月1e 1 将其正式更名 为微软弧洲研究院。微软弧洲研究院足微软公司扑+ 海外开设的骑二京箍础科研机构也是证洲地区唯一的 】 础_ l j f 究机构。 一6 一 浙江工业大学硕士学位论文 同时,由于h m m 模型在大词汇量连续语音识别中暴露的种种弊端3 ,使人 们开始着手对新方法的探索,并不断的将各种方法结合起来以提高识别系统的性 能。如将h m m 方法与a n n 方法相结合f 6 9 ,将h m m 方法与v q ( v e c t o r q u a n t i z a t i o n 矢量量化) 1 7 1 1 以及f v q ( f u z z y v e c t o rq u a n t i z a t i o n ) 【7 劫等方法相结 合。 为了提高识别系统在高噪声环境下的鲁棒性( r o b u s t n e s s ) 人们进行了各种 各样的尝试 7 3 “挪1 并对各种方法进行了详尽的比较研究 7 6 , 7 7 1 希望可以找到最佳 方案,可以说到目前为止,仍没有找到在连续语音和抗噪声方面独具优势的方法。 1 2 2 汉语语音识别研究的发展概况 在我国,尽管最早的有关语音识别的研究开始于1 9 5 8 年,中国科学院声学 所( 当时属于电子学研究所) 利用电子管电路识别了1 0 个元音。然而,直至7 0 年代后期,当国际上的语音识别技术已经迅速发展起来,在理论上也渐渐成熟之 时,我国许多单位才开始投入到这项研究工作中去,如中科院自动化所、清华大 学等。进入8 0 年代以后,北方交通大学、复旦大学、哈尔滨工业大学、北京邮 电大学、四川大学等高等院校也开始加入语音识别研究的行列。 1 9 8 6 年3 月我国高科技发展计划( 8 6 3 计划) 启动,语音识别作为智能计算机 系统研究的一个重要组成部分而被专f y u 为研究课题。从此,我国开始了有组织 的语音识别技术的研究 1 9 9 8 年4 月,国家8 6 3 智能计算机专家组对国内大词汇量连续语音识别系 统进行了测评。清华大学的电子工程系的语音识别系统获得了最好成绩。字正确 率9 3 ,句子正确率6 2 5 ,这与占国际领先地位的i b m 的语音识别系统( 9 5 【7 8 】) 水平相当。然而需要指出的是,测评所用的语音为8 6 3 语音库中的连续语 音,该语音属于朗读式语音4 ,发音清晰,信噪比很高,丽本文所用的语音库属 于自然口语语音,且信噪比较低。 另外,由于我国经济的发展和对外开放的扩大,以及汉语语音识别广泛的应 用前景的吸引,汉语语音识别技术必将成为国际集团公司竞争的热点。现已有 i b m 、a p p l e 、m i c r o s o f t 、m o t o r o l a 等公司,相继投入才力、物力和人力,专门 这一点将在l41 节中蛤详爿l i 的解释 4 “朗读式语音”是指符台语法规则的流畅的,讲i 方武和讲话内容都经过特殊准备的语言:而自然口语 语音( s p o n l a r l c o k t ss p e e c h ) 足指随意的、罕少没j 训晒方式, 经过特硎、准而的诰言也就是人们在e 】常 生活中通常所讲的“话”,它通常足d q , o 1 6 的包台许多随机事件。 一 浙江工业大学硕_ l 学位论文 从事汉语语音识别技术的研究和开发。a p p l e 公司在1 9 9 5 年推出商用的连接词 语音识别系统,之后,i b m 也推出了汉语连续语音识别系统v i a v o i c e 。这些都是 进一步推进我国汉语语音识别技术发展的动力。 目前,虽然小词汇表特定人的孤立词汉语语音识别系统已经走出实验室,但 较好的实用连续语音识别系统依然很少”】,或者说理想的连续语音识别系统依然 很少。i b m 的v i a v o i c e 在实验室条件下虽然有高达9 5 以上的正确识别率i ”】。 但由于其训练时间长、抗噪声能力弱,而在实际的环境中出错频繁,更难以忍受 的是,一旦在你的录音模式下有了另一个人的声音那么你以前的录音很可能就要 白费了,这是因为他采用的是说话人自适应的技术,不同人的声音将会破坏你的 语音记录和语言模型,从这一点来看,i b m 的v i a v o i c e 系统还不能算是非特定 人的语音识别系统。由于以上种种原因,v i a v i o e e 从1 9 9 7 年推出至今,仍未得 到广泛的应用。 1 2 3 连续语音识剐研究中遇到的挫折 7 0 年代,由美国国防部远景研究计划局资助的为期1 0 年的d a r p a ( d e f e n s e a d v a n c e dr e s e a r c hp r o j e c t sa g e n c y ) 研究计划均未能达到预期目标。8 0 年代再 次的包括噪声下的语音识射和会话( 口语) 识别系统的任务,也并没有圆满完成。 9 0 年代至今的有关“航空旅行信息检索”中的自然语言处理部分的任务,还仍 在进行当中。 1 9 9 7 年。美国n 1 s t 5 用r o v e r 程序对b b n 公司、美国的g r a g o n 公 司、i b m 公司、s r i 公司、卡内基一梅隆( c m u ) 大学、o r e g o n ( o g i ) 大学、 英国的剑桥( c u ) 大学,以及法国的l i m s i 公司、p h i l i p s 公司的语音识别系统 进行了统一的测评。取得最好成绩的是剑桥大学的h t k 系统,该系统在标准语 音、口语语音、电话语音、有音乐声、有背景声、有口音等条件下的平均字错误 率为1 6 2 ,i b m 次之为1 7 9 【8 0 】,而对于广播语音的测评结果,最好的两 家b b n 和c m u - - i s l 的字错误率分别为4 4 9 和4 5 1 辨。 对广播语音的错误识别率如此之高,主要是因为现在的各个语音识别系统的 稳健性不好。由于广播语音属于自然口语语音,说话时比较随意,随机事件也比 美吲圈家标准与技术研究院( n i s tn a t i o n a li n s t i t u t eo f s t a n d a r d sa n dt e c h n o l 0 9 3 ) 从1 9 8 4 年开始计划对 d a r p a 语音计划中的各个识别系统进行测评,并从1 9 8 7 年正式开始每年次评估,n i s t 的删计方法是根据 i i m 提 i 的b l e u ( b 1 “n g u a le 、a l u a t i o n u n d e r s t u d y i 测评方法的一种改进b l e u 是一种基于n g r a m f l j 自动评 洲方法。 一8 一 浙江工业大学硕士学位论文 较多( 这不同于一般的朗读式语音) :并且广播语音的机械噪声比较多,信噪比 相对较低,当系统的稳健性不够强时,正确识别率自然不会高。 另外,从2 0 0 3 年d a v i d 对n i s t 历年的测评结果的总结i ”1 ( 如图1 1 所示) 来 看:对于会话语音( c o n v e r s a t i o n a ls p e e c h ) 的误识率,一直是是居高不下的; 广播新闻语音( b n e w s 或b r o a d c a s ts p e e c h ) 的误识率也直在1 0 以上。这主 要是由于在前期工作中对于朗读式语音( r e a ds p e e c h ) 在大词汇量和抗噪声的 性能上本身就不牢固。从图中可以看出,9 4 年以前对大词汇量( 2 0 k ,对应图中 的黑色实心方块) 的误识率一直在1 0 以上;9 4 年以后虽然可以下降到1 0 以下, 而在噪声环境下( 仅仅是换了个麦克风) 错误率则呈直线上升状态:由5 1 上 升到1 5 1 。由此可见,现行语音识别系统的抗噪声能力是非常脆弱的。文章【8 1 】 还指出2 0 0 3 年的测评结果显示,对基于电话的汉语语音( m a n d a r i nc t s :m a n d a r i n c o n v e r s a t i o n a lt e l e p h o n e 。b a s e ds p e e c h ) 的字错误率最高为4 2 7 ( 如图中浅黄色的 方块所示1 ,基于英语广播语音( b n e w s ,b r o a d c a s tn e w s ) 的一种低速系统的字错误 率最低为9 9 ( 如图中蓝色圆点所示) 。由此可见汉语语音识别较其他语种而言, 其任务更加艰巨。 图1 - 1n i s t 历年的语音测评结果的总体曲线图 日本在1 9 8 1 年的第五代计算机计划中提出了有关语音识别输入输出自然语 言的宏伟目标,1 9 8 7 年提出高级人机口语接口和自动电话翻译系统。开展研究 工作时,他们建立全国的合作体系、分派任务、避免重复;共享通用语音资料、 尽可能采用标准化设备和分析技术,交流研究结粜和经验。但最终都没能实现预 浙江工业大学硕士学位论文 期目标。 i b m 推出v t d 3 0 之后,声称实现了非特定人的连续语音识别,而实际上, 它仅仅是对话者自适应技术做了一些改进,虽然在速度和精度上较以往的识别系 统有了很大的进步,但由于在实际应用中仍需要根据使用者的不同而重新进行长 时间的训练,因此这并不算是真正意义上的非特定人的语音识别。 总而言之,语音识别技术在近3 0 年里的发展是空前的,识别系统的性能在 一步步的提高,功能也在逐渐的增多,许多孤立词语音识别系统的正确识别率可 以达到9 8 1 8 2 8 3 】以上了,而且各种含有语音识别功能的芯片 8 2 8 舢、软件【2 5 1 及网 站( 如t o m 及时语网站6 ) 也在不断的问世,一些简单的语音识别系统己在商业、 军事、工业控制等领域得到了一些应用。但是这些系统基本上仍停留在实验阶段, 或者说仍然是在特定的环境下的应用。因此,在继承原有的语音识别系统的框架 的同时,我们还需要对语音识别技术的基础理论进行更进一步的挖掘和探索,尤 其在如何提高噪声环境下的正确识别率,减少误识率,扩大词汇量,实现真正意 义上的非特定人的连续语音识别等方面仍需作进一步的研究。 1 3 连续语音识别的难点 语音识别几乎是与计算机同时发展起来的,在计算机已经跨入寻常百姓家的 今天,为什么语音识别系统却迟迟未能给人们一个满意的答复。人们一次又一次 的寄厚望于语音识别,却得到一次又一次失败的回答:音路之上,困难重重。 1 3 1 连续语音的多变性和复杂性 连续语音的识别让人们耗费如此大的代价,却所获颇微,究其原因,主要是 因为连续语音信号的多变性和复杂性: 1 ) 连续语音词与词之间没有明显的停顿,词与词之间的分割比较困难; 2 ) 每一个基本的声学识别基元( 如音素) 受前后音素发音方式的影响( 协 同发音) 使语音特征变得不稳定: 3 1 不同人、不同心理和生理以及在不同的说话环境下说同一词时,声学信 号特征会发生变化; 4 ) 一个词的读音不仅包含了词义特征,而且还包含了说话人性别、年龄、 6 t o m 及 f 寸语是北京雷迢万钧叫络科技肯限责任公一开发自批习互联嘲卜台的燕语爵识别与台成技术于一 身的中文语青门户,其链接地址h t t p :l l w w w 1 0 m c o m q o m v o i c e 包括酒店查询,订茬暾务,航班查询等服务 一1 0 浙江工业大学硕士学位论文 情绪等大量与词义无关的信息,而这些信息的分离是不容易的: 5 ) 连续的自然语言又增加了许多与识别内容无关的填音、吞音等随机现象, 这又使自然语言变得更加多变。自然语言的多变性难以借助于一些基本语法规则 进行描述,因而使计算机编程变得非常困难。 1 3 2 高噪声环境下语音模型的不稳定陛 虽然,对于在有背景噪声环境下的语音信号的提取问题,应属于语音信号增 强的研究范围,但一个稳健的识别系统却应该可以从高噪声环境下提取出较准确 的语音信息。也就是说,如果系统模型建的好的话,也可在一定程度上起到抗噪 声的作用。而对于这一点,用传统的基于统计模型的方法是很难做到的,这也是 现代的语音识别技术迟迟未能如人愿的原因之一。 1 33 连续语音识别技术的难点 由以上的分析可知,要实现对连续语音的识别首先必须解决以下几个技术上 的难题。 1 ) 单词切分 在连续语音中,由于短语( 或词组) 和句子的数量非常大,而不能将其作为 识别对象。一般情况下,需要把连续语音分割成比短语更小的单位,例如单词和 “子词”( s u b w o r d ,如:音素、双音、类双音、半音节和音节等单元) 。但是, 对连续语音进行分割是非常困难的,主要因为连续语音句子中各单词的发音之间 通常是没有停顿的,即各单词之间不存在明显的边界,例如图l - - 2 a 和图】- - 2 b 分别给出了对同一数字串“35827003 ”中“82 ”

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论