以高斯混合模型表征器与语言模型为基础之语言辨认language.pdfVIP

以高斯混合模型表徵器與語言模型為基礎之語言辨認 Language Identification based on Gaussian Mixture Model Tokenizer and Language Model 張智傑 、王小川 Zhi-Jie Chang and Hsiao-Chuan Wang 國立清華大學電機工程學系 Department of Electrical Engineering, National Tsing Hua University E-mail : piscesboy@micro.ee.nthu.edu.tw hcwang@ee.nthu.edu.tw 摘要 本論文探討 不需要標注資料的自動化語言辨認方法 ，基本觀念是建立高斯混合模型之表徵 器 ，以表徵器輸出建立語言模型，加上切割處理與後端處理 ，提升語音資料的語言辨認 正確率 。 所建議的系統架構 ，分別是串聯高斯混合模型表徵器和語言模型的 “高斯混合模型表徵器語言- 模型法”，以及將語言模型融合在表徵器裡面的 “連結聲學語言模型法- ” 兩種型式。由實驗結果 觀察 ，加入切割處理的幫助 ，的確能夠提升系統的辨認 正確率。 關鍵詞 ：語言辨認 、高斯混合模型 、表徵器、語言模型 一、緒論 近代語言辨認的方式 ，主要是對訓練語音資料，轉換成類音素 ( phone-like ) 序列，以類音 素序列建立 N-連文模型作為語言模型 。在做語言辨認時 ，計算測試語音之類音素序列與語言模 型之間的相似度 ，經過後端處理做出語言辨認的判斷 所建議的系統有連結語言模型的音素。 辨認 法 ( PRLM, Phone Recognition Language Model )[1][2] 、連結語言模型的平行音素辨認法( PPRLM, Parallel-language PRLM )[ 1][2] 、高斯混合模型表徵器語言模型法- ( GMM-tokenizer-language model ) [2][3] 、以及連結聲學語言模型法- ( Joint-Acoustic Language Model ) [4] [5] 等方式。 連結語言模型的音素辨認法 [1]是將輸入語料經過預先訓練好的音素辨認器 ( phone recognizer ) ，得出輸入語料的音素序列 ( phone sequence ) ，再由音素序列 統計產生語言模型 ( language model ) 。在辨認過程中 則是， 計算測試語音的音素序列 與 N-連文法 ( N-gram語言模) 型的相似度 ( likelihood ) ，對應相似度最高的語言模型 ，就是 辨認結果 。圖一是 以中英日 三個 語言的辨認為例 ，展示語言辨認系統之示意圖 輸入的測試語音。 ，分別經由中英日三個語言的音 素辨認器，產生三個不同的音素序列，將這三個不同的音素序列分別輸入到三個語言所建立的語 言模型 ，得出九個相似度值 ，後端處理器對這九個相似度值做運算 ，產生最後的辨認結果。 圖一 、連結語言模型的音素辨認法 表徵器語言模型法的系統- ，需要有標註好的訓練語料做為音素辨認器訓練 之用 ，要 人工的 介入才能完成系統建構 ;因此有研究者提出基本概念相似 ，但不需人工幫助的高斯混合模型表 徵器語言模型系統- 。其作法是將高斯混合模型的各個高斯機率密度函式 (Gaussian probability density function)視為 一個量化單位 ，給予模型中的每個高斯分布固定的表徵 ( token ) 值 ，將一 個音框在各個高斯分布的機率值計算出來後 ，選擇機率最大的高斯分布作為表徵，視為此音框的 代表值 。對於輸入的測試語料 ，以高斯混合模型的表徵值序列 ( token s