語音信號(hào)的總結(jié)

一般來說,語音識(shí)別的方法有三種：基于聲道模型和語音知識(shí)的方法、模板匹配的方法以及利用人工神經(jīng)網(wǎng)絡(luò)的方法[1]。（1）基于語音學(xué)和聲學(xué)的方法該方法起步較早，在語音識(shí)別技術(shù)提出的開始，就有了這方面的研究，但由于其模型及語音知識(shí)過于復(fù)雜，現(xiàn)階段沒有達(dá)到實(shí)用的階段。通常認(rèn)為常用語言中有有限個(gè)不同的語音基元，而且可以通過其語音信號(hào)的頻域或時(shí)域特性來區(qū)分。這樣該方法分為兩步實(shí)現(xiàn)：第一步，分段和標(biāo)號(hào)把語音信號(hào)按時(shí)間分成離散的段，每段對(duì)應(yīng)一個(gè)或幾個(gè)語音基元的聲學(xué)特性。然后根據(jù)相應(yīng)聲學(xué)特性對(duì)每個(gè)分段給出相近的語音標(biāo)號(hào)第二步，得到詞序列根據(jù)第一步所得語音標(biāo)號(hào)序列得到一個(gè)語音基元網(wǎng)格，從詞典得到有效的詞序列，也可結(jié)合句子的文法和語義同時(shí)進(jìn)行。（2）模板匹配的方法模板匹配的方法發(fā)展比較成熟，目前已達(dá)到了實(shí)用階段。在模板匹配方法中，要經(jīng)過四個(gè)步驟：特征提取、模板訓(xùn)練、模板分類、判決。語音信號(hào)的識(shí)別主要的還是在特征值提取是重點(diǎn)。常用的技術(shù)有三種：動(dòng)態(tài)時(shí)間規(guī)整(DTW)、隱馬爾可夫（hmm）理論、矢量量化（VQ）技術(shù)。1、動(dòng)態(tài)時(shí)間規(guī)整(DTW)語音信號(hào)的端點(diǎn)檢測(cè)是進(jìn)行語音識(shí)別中的一個(gè)基本步驟，它是特征訓(xùn)練和識(shí)別的基礎(chǔ)。所謂端點(diǎn)檢測(cè)就是在語音信號(hào)中的各種段落(如音素、音節(jié)、詞素)

的始點(diǎn)和終點(diǎn)的位置，從語音信號(hào)中排除無聲段。在早期，進(jìn)行端點(diǎn)檢測(cè)的主要依據(jù)是能量、振幅和過零率。但效果往往不明顯。60年代日本學(xué)者Itakura提出了動(dòng)態(tài)時(shí)間規(guī)整算法(DTW：DynamicTimeWarping)。算法的思想就是把未知量均勻的升長(zhǎng)或縮短,直到與參考模式的長(zhǎng)度一致。在這一過程中，未知單詞的時(shí)間軸要不均勻地扭曲或彎折，以使其特征與模型特征對(duì)正。動(dòng)態(tài)時(shí)間規(guī)整是將時(shí)間規(guī)整和距離測(cè)度結(jié)合起來的一種非線性規(guī)整技術(shù)。設(shè)測(cè)試語音參數(shù)共有N幀矢量，而參考模板共有M幀矢量，且N

≠M(fèi)。

要找時(shí)間規(guī)整函數(shù)j=w(i)

，使測(cè)試矢量的時(shí)間軸

i

非線性地映射到模板的時(shí)間軸

j

上,并滿足：

式中d[T(i),R(ω(i))]是第

i

幀測(cè)試矢量T(i)

和第

j

幀模板矢量R(j)

之間的距離測(cè)度。

D

則是在最優(yōu)情況下的兩矢量之間的匹配路徑。一般情況下，DTW采用逆向思路，從過程的最后階段開始，逆推到起始點(diǎn)，尋找其中的最優(yōu)路徑。2、隱馬爾可夫法(HMM)隱馬爾可夫法(HMM)

是70年代引入語音識(shí)別理論的，它的出現(xiàn)使得自然語音識(shí)別系統(tǒng)取得了實(shí)質(zhì)性的突破。HMM

方法現(xiàn)已成為語音識(shí)別的主流技術(shù)，目前大多數(shù)大詞匯量、連續(xù)語音的非特定人語音識(shí)別系統(tǒng)都是基于HMM模型的。HMM是對(duì)語音信號(hào)的時(shí)間序列結(jié)構(gòu)建立統(tǒng)計(jì)模型，將之看作一個(gè)數(shù)學(xué)上的雙重隨機(jī)過程：一個(gè)是用具有有限狀態(tài)數(shù)的Markov

鏈來模擬語音信號(hào)統(tǒng)計(jì)特性變化的隱含的隨機(jī)過程，另一個(gè)是與Markov

鏈的每一個(gè)狀態(tài)相關(guān)聯(lián)的觀測(cè)序列的隨機(jī)過程。前者通過后者表現(xiàn)出來，但前者的具體參數(shù)是不可測(cè)的。人的言語過程實(shí)際上就是一個(gè)雙重隨機(jī)過程，語音信號(hào)本身是一個(gè)可觀測(cè)的時(shí)變序列，是由大腦根據(jù)語法知識(shí)和言語需要(不可觀測(cè)的狀態(tài))

發(fā)出的音素的參數(shù)流。可見HMM合理地模仿了這一過程，很好地描述了語音信號(hào)的整體非平穩(wěn)性和局部平穩(wěn)性,是較為理想的一種語音模型。HMM語音模型λ(π,A,B)

由起始狀態(tài)概率(π)

、狀態(tài)轉(zhuǎn)移概率(A)

和觀測(cè)序列概率(B)

三個(gè)參數(shù)決定。π揭示了HMM

的拓?fù)浣Y(jié)構(gòu)，A

描述了語音信號(hào)隨時(shí)間的變化情況，B

給出了觀測(cè)序列的統(tǒng)計(jì)特性。經(jīng)典HMM語音識(shí)別的一般過程是：用前向后向算法(Forward-Backward)

通過遞推方法計(jì)算已知模型輸出O

及模型λ=f(π,A,B)

時(shí)的產(chǎn)生輸出序列的概率P(O|λ)，然后用Baum-Welch

算法，基于最大似然準(zhǔn)則(ML)

對(duì)模型參數(shù)λ(π,A,B)

進(jìn)行修正，最優(yōu)參數(shù)λ*的求解可表示為λ*=argmax{P(O|λ)}

。最后用Viterbi算法解出產(chǎn)生輸出序列的最佳狀態(tài)轉(zhuǎn)移序列

X。所謂最佳是以

X

的最大條件后驗(yàn)概率為準(zhǔn)則，即X=argmax{P(X|O,λ)}。3、矢量量化(VQ)

矢量量化(VectorQuantization)

是一種重要的信號(hào)壓縮方法。與HMM相比,矢量量化主要適用于小詞匯量、孤立詞的語音識(shí)別中。其過程是：將語音信號(hào)波形的

k

個(gè)樣點(diǎn)的每一幀，或有k

個(gè)參數(shù)的每一參數(shù)幀，構(gòu)成

k

維空間中的一個(gè)矢量，然后對(duì)矢量進(jìn)行量化。量化時(shí)，將

k

維無限空間劃分為M

個(gè)區(qū)域邊界，然后將輸入矢量與這些邊界進(jìn)行比較，并被量化為“距離”最小的區(qū)域邊界的中心矢量值。矢量量化器的設(shè)計(jì)就是從大量信號(hào)樣本中訓(xùn)練出好的碼書，從實(shí)際效果出發(fā)尋找到好的失真測(cè)度定義公式，設(shè)計(jì)出最佳的矢量量化系統(tǒng)，用最少的搜索和計(jì)算失真的運(yùn)算量，實(shí)現(xiàn)最大可能的平均信噪比。失真測(cè)度主要有均方誤差(即歐氏距離)

、加權(quán)的均方誤差、Itakura2Saito距離、似然比失真測(cè)度等。初始碼書的生成可以是隨機(jī)選取、分裂生成法、乘積碼書法[4]。在選定了失真測(cè)度和初始碼書后，就用LBG算法，對(duì)初始碼書進(jìn)行迭代優(yōu)化,一直到系統(tǒng)性能滿足要求或不再有明顯的改進(jìn)為止。

核心思想可以這樣理解：如果一個(gè)碼書是為某一特定的信源而優(yōu)化設(shè)計(jì)的，那么由這一信息源產(chǎn)生的信號(hào)與該碼書的平均量化失真就應(yīng)小于其它信息的信號(hào)與該碼書的平均量化失真，也就是說編碼器本身存在區(qū)分能力。在實(shí)際的應(yīng)用過程中，人們還研究了多種降低復(fù)雜度的方法，這些方法大致可以分為兩類：無記憶的矢量量化和有記憶的矢量量化。無記憶的矢量量化包括樹形搜索的矢量量化和多級(jí)矢量量化。[3]（3）神經(jīng)網(wǎng)絡(luò)相關(guān)的算法利用人工神經(jīng)網(wǎng)絡(luò)的方法是80年代末期提出的一種新的語音識(shí)別方法。人工神經(jīng)網(wǎng)絡(luò)(ANN)本質(zhì)上是一個(gè)自適應(yīng)非線性動(dòng)力學(xué)系統(tǒng)，模擬了人類神經(jīng)活動(dòng)的原理，具有自適應(yīng)性、并行性、魯棒性、容錯(cuò)性和學(xué)習(xí)特性，其強(qiáng)的分類能力和輸入-輸出映射能力在語音識(shí)別中都很有吸引力。但由于存在訓(xùn)練、識(shí)別時(shí)間太長(zhǎng)的缺點(diǎn)，目前仍處于實(shí)驗(yàn)探索階段。由于ANN不能很好的描述語音信號(hào)的時(shí)間動(dòng)態(tài)特性，所以常把ANN與傳統(tǒng)識(shí)別方法結(jié)合，分別利用各自優(yōu)點(diǎn)來進(jìn)行語音識(shí)別。ANN與DTW：ANN納入DTW框架中的最簡(jiǎn)單方法就是利用多層感知器模型(MLP)計(jì)算DTW搜索中的局部路徑得分。ANN與HMM：1）

多層感知器網(wǎng)絡(luò)來估計(jì)隱馬爾可夫模型的狀態(tài)概率輸出的方法2）

BP算法實(shí)現(xiàn)HMM模型參數(shù)的重估3）

利用自組織神經(jīng)網(wǎng)絡(luò)Kohonen的學(xué)習(xí)矢量量化算法訓(xùn)練產(chǎn)生矢量量化碼本語音識(shí)別系統(tǒng)中的技術(shù)土要包括預(yù)處理技術(shù)，特征提取技術(shù)，模型的訓(xùn)練與模型匹配三個(gè)方面。語音識(shí)別中的預(yù)處理一般包括預(yù)加重，加窗，端點(diǎn)檢測(cè)。聲學(xué)特征提取主要是線性預(yù)測(cè)系數(shù)(LPC)，倒譜系數(shù)(CEP)，Mel倒譜系數(shù)(MFCC