基于高斯混合模型的语种识别-read.pdfVIP

中国科学技术大学顾 卜论文 第二章 基干高斯混合模型的语种识别 第二章 基于高斯混合模型的语种识别 卯.，引言 人们的语音表现为短时平稳的一维连续随机信号，它同时包含语音内容信 启、、说话人的个性特征和语种特征。语种识别最理想的情况就是要尽可能多的提 取语种特性而忽略文本内容和说话人个性特征的影响。当前比较成熟的语种识别 系统都是基于音素以及音位配列信息而构建的，虽然提取了语种特征，但无法忽 略文本内容。有没有一种方法既能消除说话人个性特征的影响又能实现与文本无 关呢?我们借鉴了说话人识别的经验，成功地引入了基于概率统计的高斯混合模 型(GaussianMlxtureModel，GMM)来进行语种识别，比较好地解决了上述问题。 GMM口3提由麻省理工学院林肯实验室的DA‘.Reynodls等人于1995年提出 的，该模型从大量短时语音帧中统计地提取语种特征，并用一组多维高斯概率密 度的加权和表示该语种特征的统计分布。由于发音的内容随时间变化较快，且随 机性明显，而说话人的个性特性和语种特征则在较长时间内相对平稳，可据此将 文本内容与说话人的个性特性和语种特征分离开来。在模型训练过程中，如果同 一种语吕的训练语音采集自大量不同的说话人，就可以比较好的消除说话人的个 性特征对识别带来的误差，突出语种的发音特点。因此，采用GMM可以实现文 本无关的语种识别。 本章首先介绍了短时Mel频率倒谱系数的提取方法27]1，然后详细讨论了利 用高斯混合模型对各种语言建模的原理和算法，并在此基础上导出了 GMM一UBM框架的构成与实现。本章最后介绍了基于GMM一UBM的广播语音语 种识别系统，并通过实验分析了GMM和GMM一UBM两种系统的识别性能。 互2.ZMFCC参数 MFCC(Mel频率倒谱系数)是一种听觉感知频域倒谱参数。该参数从人耳 对声音频率高低的非线性心理感觉角度反映了语音短时幅度谱的特征，因此在语 音识别中得到了极为广泛的应用。其频率 M〔el)与该声音的物理频率 (H)z 的 中国科学技术人学顿 }论文 第二章 基于高斯混合模型的语种识别 对应关系并不是完全线性的，而是呈现为如下的形式: 只一1127111(1、凡) (2一1) 7()() 式中的凡厂，是以Mel为单位的感知频率，凡是以赫兹为单位的线性频率，其对 应关系曲线见图2一1。 2500 2000 500 1000 500 哈一一不益 2000 3000 400Q H2 图2一]:Mel频率和普通频率的近似关系图 MFCC的完整计算过程见图2一2: 1.首先对原始语音波形信号进行短时傅立叶分析，即先对语音进行分帧 处理，然后对每帧时域信号，用FFT计算其线性频谱。 2.将频谱的模 (也有人取能量)通过Mel滤波器组，即在每个三角滤波 器内对频谱的模加权取和。这样如果有N个滤波器，就会得到N个加权 后的输出。 3.对此输出矢量取对数。 4.进行DCT变换，得到一帧MFCC矢量，所有短时帧的输出集合称作 MFCC特征矢量序列。 中国科学技术大学硕}论文 第二章 基于高斯混合模型的语种识别 浓介版形班六号 钟日刁一{ ·}一 湘}滤波粱维 1。袱(。夕