|
汉语数码语音识别 (mandarin digit speech recognition, MDSR)
是语音识别领域中一个具有广泛应用背景的分支，它的任务是识别“0”到“9”等10个非特定人汉语数码语音，在电话语音拨号、工业监控、家电遥控等领域有着极大的应用价值［1］。但与英语数码语音识别相比，
MDSR的性能尚未达到成熟应用水平，这是因为 1) 汉语数码语音的混淆程度较高； 2) 汉语是一个多方言语种，说话人会带有或多或少的地方口音； 3)
在许多应用背景中，MDSR需要在运算和存储资源都较为紧张的数字信号处理器(digital signal processor,
DSP)系统上实现，这为MDSR算法的设计带来了很大的限制。由于以上原因，MDSR是一项相当困难的任务。
针对汉语数码语音识别提出了一系列高性能的算法，使MDSR识别率达到了98.8%。由这些算法构成的识别系统框图如图1所示。
MDSR系统［1］提取的语音特征参数包括用于识别的参数和用于端点检测的参数。
图1 MDSR系统框图
1 语音前端处理 语音前端处理包括语音特征提取和端点检测两部分。
1.1 语音特征提取
1.1.1 基本识别参数
目前常用的语音识别参数有基于线性预测编码(LPC)的线性预测倒谱系数(LPCC)和基于Mel频标的倒谱系数(MFCC)［2］。实验证明，采用MFCC参数时系统识别率高于采用LPCC参数。因此本文的基本识别参数采用MFCC参数及一阶差分MFCC参数。
1.1.2 共振峰轨迹
在MDSR中，易混淆语音“2”和“8”可以由其第2，3共振峰的变化趋势区分开［3］。因此可将共振峰轨迹作为识别参数之一，并选用峰值选取算法来提取共振峰轨迹［3］。
1.1.3 鼻音特征参数
汉语数码语音中，“0”的元音具有鼻音的特征，而“0”容易与具有非鼻化元音的“6”混淆，因此鼻音特征可用于提高“0”的识别率。鼻音的特征包括［4］：
1) 鼻音在频谱低端(约0.25kHz左右)有1个较强的共振峰。
2)
鼻音在中频段(约0.8～2.3kHz)的能量分布较为均匀，没有明显的峰或谷。
采用以下2个参数表征鼻音的特征：
1) 低频能量比：
 (1)
其中fn为鼻音低频共振峰频率，
B为鼻音低频共振峰带宽。Fk为对语音作快速Fourior变换(FFT)后第k个频率点的能量， ［f1，f2］则为语音“6”能量集中的频带。
2)
频谱质心：
 (2)
其中［fL,fH］为0.8～2.3kHz的中频段。由于MDSR系统采用的基本识别参数为MFCC参数，其计算过程中需要作FFT，所以低频能量比和频谱质心两个参数可以顺带算出，不会影响特征提取的实时完成。
1.2 端点检测
本文提出了基于语音特征的实时端点检测算法(feature-based
real-time endpoint detection,
FRED)，充分利用汉语数码语音的特点，在实时提取特征参数后完成端点检测，检测到的端点只精确到帧的量级。
根据语音学知识［4］，
MDSR中各类语音的频谱特点如表1
表1 汉语数码语音频谱特点
| |
频 谱 特 征 |
| 浊 音 |
元 音 |
低频(0.1至0.4kHz间)能量较高；
中频(0.64至2.8kHz)能量较高 |
| 浊辅音 |
低频(0.1至0.4kHz间)能量较高；
中频(0.64至2.8kHz)能量较低 |
| 清辅音 |
|
高频(3.5kHz以上)能量较高 |
采用3个频谱能量分布参数｛R1，R2，R3｝分别反应频谱高频、低频和中频的分布特征。其定义如下：
 (3)
 (4)
其中： i表示第i帧， N为语音帧长，也即FFT点数，
Fk为对语音帧作FFT后各频率点能量， T为语音的总帧数，式(3)，(4)
中求和号的上下限由表1中相应频率范围确定，当N为256，采样频率为实验所用语音库的11kHz时， f0＝81， f1＝9， f2 ＝2， f3＝65，
f4＝15.由于进行了能量归一化，所以上述特征与语音的强度是无关的。由于计算MFCC参数时需要作FFT，因此频谱能量分布参数可以顺带算出。此外，用于端点检测的参数还包括短时能量参数E0(i)［5］.
由以上参数，
FRED算法过程为：
1) 根据采入信号首尾两帧确定能量阈值；
2) 根据参数R2确定语音浊音段；
3)
根据参数R1与E0向浊音段两端扩展式搜索语音起始帧；
4) 根据参数R3确定元音段。
FRED算法的特点是：
1)
利用了语音的本质特征进行端点检测，能够很好地适应环境的变化和干扰，实验证明FRED算法可以有效地提高识别率； 2)
将语音端点定在帧的量级上，保证了特征参数在采样时实时提取，节省了系统运行时间，大大减少了系统所需的存储量； 3)
能够准确地确定语音的元音段，从而将辅音与元音分割开，有利于对语音局部特征的辨识。 2 识别算法 实验表明，
MDSR的识别错误集中在少数几对易混语音中［1］，因此本文采用了两极识别框架，即第一级完成对识别结果的初步确定，第二级完成对易混淆语音的进一步辨识。
2.1 第一级识别
在第一级识别中采用的基本方法为离散隐含Malkov模型(DHMM)算法［5］，用Viterbi算法［5］计算各个数码语音模型产生采入语音的概率Pr。
由于HMM是一个有人为假设的模型，所以有不可避免的缺陷。其中一个缺陷是在HMM中各状态的持续时间呈几何分布，即
P(Li=n)=anii(1-aii)， (5)
其中： Li为状态i的持续时间，
aii为状态i跳转回自身的概率。按照式(5)，状态持续时间越长，其概率越小，这是不 |
|
