基于综合因素的汉语连续语音库语料自动选取-模式识别国家重点试验室.PDFVIP

基于综合因素的汉语连续语音库语料自动选取 康恒 刘文举 （中国科学院自动化研究所模式识别国家重点实验室 北京 100080 ） 摘要：大词汇量连续语音识别系统的性能很大程度上取决于语音库的质量，而语音库 设计的中心环节就是语料选取。但是传统语料选取方法往往考虑因素单一，不利于语音识 别系统有效利用语言信息。本语音库的语料选取方法综合考虑了多种因素：三音子覆盖 率、三音子覆盖效率、三音子稀疏度、常用词分布等，并完全实现程序自动选取，充分利 用了原始语料，使选取结果的信息量更加丰富。程序自动选取结果可以覆盖94.1% 的三音 子，75.4%的最常用词，覆盖效率和稀疏度也比传统方法有了较大改善。 关键词：语音库，三音子，高频词，覆盖率 Automatic Text Selection for Continuous Speech Database of Standard Chinese Based on Comprehensive Factors KANG Heng LIU Wen-ju (National Laboratory of Pattern Recognition, Institute of Automation, Chinese Academy of Sciences, Beijing 100080) Abstract: The performance of continuous speech recognition systems depend s much on speech database. Text selection is the key step in designing of the speech database. Conventional text selection methods consider too few factors for the recognition systems to use linguistic information effectually. This paper describes a method which can select text automatically and consider multiple factors: triphone covering rate, triphone covering efficiency, triphone sparse rate and distribution of commonly used words, etc. The set of selected text covers 94.1% triphones, 75.4% most commonly used words, and also the covering rate and sparse rate are improved than that of conventional methods. Key words: speech database, triphone, commonly used words, covering rate 一、引言 目前汉语语音识别已经进入大词汇量连续语音阶段，连续语音库的质量很大程度上影 响着语音识别系统的性能[1,2,5] 。这个阶段对语音数据库有如下要求： 1．在语音学和语言学指导下设计，在连续语音层面考虑声学语音学规律； 2 ．语料具有典型性和代表性，而且在语料规模一定的条件下，语料应尽可能覆盖所有的 语音语言现象； 3 ．尽量保证每个语音单元在语料中出现的次数不至于太少，从而避免数据稀疏； 4 ．综合考虑其它超音段特征，使得语音库包含尽量多的语言信息。 但是，传统语料选取方法实际上考虑的因素往往过于单一，大多只是关注于语音单元 的覆盖率，而对于其它超音段特性并未加更多考虑，从而使得语音库的信息量不够大，影 响系统的性能。 我们参考了其它同类语音库的设计[3,4,5]，提出一种基于综合因素考虑的汉语连续语 音库语料选取方法。该方法以句子对三音子的覆盖贡献为基本标准，同时兼顾三音子的覆 盖效率、每个三音子的出现次数等因素。另外本方法还考虑到在语音库中