一种基于废料模型关键词确认方法.docVIP

一种基于废料模型的关键词确认方法 　　摘要：关键词确认是语音识别中一个重要的研究方向。对于关键词确认系统来讲，废料模型的结构和类型对整个系统的性能有很大的影响。文中提出了一种基于音节格的废料模型。实验表明，与传统的基于音素类的废料模型相比，关键词确认率有了很大的提高。 　　关键词：关键词确认；隐马尔可夫模型；废料模型；音素类；音节格 　　 　　关键词确认（Keyword Spotting , KWS）是语音识别中一个重要的研究方向，也是近几年来在很多行业颇受重视的一个研究领域。一般来说，在说话人的正常话语中除了包含一些关键性词汇外还可能包括一些非话语的咳嗽声、呼吸声、关门声、音乐声和背景噪声等。在说话人的连续语音中确认出关键性的词汇, 这就是关键词确认技术[1]。相对于大词汇量的识别系统，关键词确认系统既精确，计算量又小，而且对于实际的语音数据有较大的弹性，因此在监听、通信、语音输入等方面都有着很好应用前景[2]。 　　关键词确认重点之一是代表非关键词语音的模型，不论识别系统的方法怎样，大部分是采用废料模型。当采用一般的模型作为废料模型时，识别器倾向于把它们误识为关键词，从而降低了确认率。另一方面，对每个词都构建废料模型又是非常不现实的，而且使识别器的结构更复杂化，降低了系统的灵活性。两者之间的平衡点就是使用不同类型和数量的废料模型，这样即使想要保证相当高的确认率，计算时间也是可以接受的。本文就这点提出了基于音节格的废料模型。实验结果显示，与传统的基于音素类的废料模型相比，系统的性能有了很大的提高。 　　 　　1 废料模型的由来 　　 　　关键词确认是在非受限语音信号中，确认出词表中所包含的“关键词”，拒绝词表外的“非关键词”，对语音内容加以理解，这里的关键词词汇表可以根据系统所应用的领域来确定。设已知一个观察值序列Ｏ＝o1，o2，…oT判断其中是否存在一个关键词M，其HMM模型所包含的状态为{q1，…，qN}，KWS即为把Ｏ用一条含有Ｍ的路径来描述所得的匹配问题，这里定义如下方法计算在语音中存在关键词Ｍ的评分Ｓ（M|O）,即 　　 　　式中，b*为关键词在语音中的最佳起始点；e*为最佳结束点；O*为与之相对应的关键词M的最佳状态序列，即在判断是否存在关键词M时，首先在语音中找到与该关键词最匹配的语音段，然后用该关键词在该语音段上经长度归正后的后验概率值作为评分来判断关键词的存在与否。b*、 e*和Q*可按下式求得 　　 　　若起始点b*和结束点e*已知，可用Viterbi算法求出最佳状态链Q*={qb，…，qe}。因此若穷举所有可能的起始点b和结束点e，并根据上述式子必然可求出S（M|O）,根据S(M|O))的值来判断是否存在关键词M。 　　当然，用穷举的方法来求取起始点b和结束点e计算量非常大，在实际使用中是根本无法实现的。因此往往采用在一次搜索过程的同时确定b*、e*和Q*， 即在观察序列O上通过引入废料状态qG定义关键词的扩充模型 。它所包含的状态为{qG,qb,…qe,qG},用废料状态qG表示非关键词语音。使用扩充模型在整个观察序列上用Viterbi算法进行搜索，可以得到对应 的最佳状态序列： 　　 　　根据这一状态序列可以同时确定b*、e*和Q*。这里的废料状态就是由建立废料模型得到的。可见废料模型的建立对于区分关键词和非关键词语音是不可缺少的。 　　 　　2 基于音节格的废料模型 　　 　　把常见的非关键词按照其相应的汉语音节首字母的顺序排列，并通过训练分别对其建模，就形成了一个音节格。在音节格中每一格内存放一个非关键词语音对应的音节。 　　一般来说，在说话人的连续语音中除了一些关键性的词汇外还包括许多词表外词，例如：“请问，王艳在吗？”，那么对于一个基于人名的关键词确认系统来讲，“王艳”是关键词，“请、问、在、吗”这四个字都属于词表外词，即非关键词语音，而对于这四个字对应的音节在音节格中的存放顺序为ma, qing, wen, zai。汉语由21个声母和38个韵母组成约400个左右的无调音节，而针对关键词确认系统所应用领域的不同，在说话者的自然输入语音中所常见的非关键词是有限的，也是可以预测的，所以可以对这些常见的词表外词建立相应的废料模型。本文所涉及的基于人名的关键词确认系统是应用在查询控制方面的，常见的非关键词语音有ni, hao, wo, xiang, zhao, qing, wen, zai, ma等等，对这些非关键词音节建立废料模型，然后把与其相对应的音节按顺序存放在音节格中。 　　 　　3 实验和讨论 　　 　　3.1 实验平台 　　本文所采用的语音数据库是自行采集的，该数据库是专门录制的，包含20个不同人名的数据库，参与训练的共有20人，其中