高性能漢語數碼語音識別算法.pdf

《高性能漢語數碼語音識別算法.pdf》由會員上傳分享，免費在線閱讀，更多相關內容在教育資源-天天文庫。

1、高性能漢語數碼語音識別算法李虎生劉加劉潤生摘要：提出了一個高性能的漢語數碼語音識別(MDSR)系統(tǒng)。MDSR系統(tǒng)使用Mel頻標倒譜系數(MFCC)作為主要的語音特征參數，同時提取共振峰軌跡和鼻音特征以區(qū)分一些易混語音對，并提出一個基于語音特征的實時端點檢測算法，以減少系統(tǒng)資源需求，提高抗干擾能力。采用了兩級識別框架來提高語音的區(qū)分能力，其中第一級識別用于確定識別候選結果，第二級識別用于區(qū)分易混語音對。由于采用了以上改進，MDSR系統(tǒng)識別率達到了98.8%.關鍵詞：漢語;數碼語音識別分類號：TN9

2、12.34文獻標識碼：A文章編號：1000-0054(2000)01-0032-03HighperformancedigitmandarinspeechrecognitionLIHushengLIUJiaLIURunsheng(DepartmentofElectronicEngineering,TsinghuaUniversity,Beijing100084,China)Abstract：High-performancemandarindigitspeechrecognition(MDSR)sy

3、stemisdevelopedusingMFCC(melfrequencycepstrumcoefficient)asthemainparameteridentifyingthespeechpatterns.Theformanttrajectoryandthenasalfeatureareextractedtoidentifyconfusedwords.Afeature-based,real-timeendpointdetectionalgorithmisproposedtoreducethes

4、ystemresourcerequirementsandtoimprovethedisturbance-proofability.Atwo-stagerecognitionframeenhancesdiscriminationbyidentifyingcandidatewordsinthefirststageandconfusedwordpairsinthesecondstage.Theseimprovementsresultinacorrectrecognitionrateof98.8%.Ke

5、ywords：mandarin；digitspeechrecognition▲漢語數碼語音識別(mandarindigitspeechrecognition,MDSR)是語音識別領域中一個具有廣泛應用背景的分支，它的任務是識別“0”到“9”等10個非特定人漢語數碼語音，在電［1］話語音撥號、工業(yè)監(jiān)控、家電遙控等領域有著極大的應用價值。但與英語數碼語音識別相比，MDSR的性能尚未達到成熟應用水平，這是因為1)漢語數碼語音的混淆程度較高；2)漢語是一個多方言語種，說話人會帶有或多或少的地方口音；3)

6、在許多應用背景中，MDSR需要在運算和存儲資源都較為緊張的數字信號處理器(digitalsignalprocessor,DSP)系統(tǒng)上實現(xiàn)，這為MDSR算法的設計帶來了很大的限制。由于以上原因，MDSR是一項相當困難的任務。針對漢語數碼語音識別提出了一系列高性能的算法，使MDSR識別率達到了98.8%。由這些算法構成的識別系統(tǒng)框圖如圖1所示。［1］MDSR系統(tǒng)提取的語音特征參數包括用于識別的參數和用于端點檢測的參數。圖1MDSR系統(tǒng)框圖1語音前端處理語音前端處理包括語音特征提取和端點檢測兩部分。

7、1.1語音特征提取1.1.1基本識別參數目前常用的語音識別參數有基于線性預測編碼(LPC)的線性預測倒譜系數(LPCC)和基于Mel［2］頻標的倒譜系數(MFCC)。實驗證明，采用MFCC參數時系統(tǒng)識別率高于采用LPCC參數。因此本文的基本識別參數采用MFCC參數及一階差分MFCC參數。1.1.2共振峰軌跡［3］在MDSR中，易混淆語音“2”和“8”可以由其第2，3共振峰的變化趨勢區(qū)分開。因此［3］可將共振峰軌跡作為識別參數之一，并選用峰值選取算法來提取共振峰軌跡。1.1.3鼻音特征參數漢語數碼

8、語音中，“0”的元音具有鼻音的特征，而“0”容易與具有非鼻化元音的“6”混［4］淆，因此鼻音特征可用于提高“0”的識別率。鼻音的特征包括：1)鼻音在頻譜低端(約0.25kHz左右)有1個較強的共振峰。2)鼻音在中頻段(約0.8～2.3kHz)的能量分布較為均勻，沒有明顯的峰或谷。采用以下2個參數表征鼻音的特征：1)低頻能量比：(1)其中fn為鼻音低頻共振峰頻率，B為鼻音低頻共振峰帶寬。Fk為對語音作快速Fourior變換(FFT)后第k個頻率點的能量，［f1，f2］則為語音“6”能量集中的頻帶。