高性能汉语数码语音识别算法.docxVIP

ISSN 1000-0054 清华大学学报 ( 自然科学版) 2000 年第 40 卷第 1 期 10/ 34 CN 11-2223/ N J T singh ua Un iv ( Sci Tech ) , 2000, V o l. 40, N o . 1 32 34 高性能汉语数码语音识别算法* 李虎生, 刘 加, 刘润生 清华大学电子工程系, 北京 100084) 文 摘: 提出了一个高性能的汉语数码语音识别( M D SR ) 系统。M DSR 系统使用 M el 频标倒谱系数( M F CC) 作为主要的语音特征参数, 同时提取共振峰轨迹和鼻音特征以区分一些易混语音对, 并提出一个基于语音特征的实时端点检测算法, 以减少系统资源需求, 提高抗干扰能力。采用了两级识别框架来提高语音的区分能力, 其中第一级识别用于确定识别候选结果, 第二级识别用于区分易混语音对。由于采用了以上改进, M DSR 系统识别率达到了 98. 8% . 关键词: 汉语; 数码语音识别 中图分类号: T N 912. 34 文献标码: A 文章编号: 1000-0054( 2000) 01-0032-03  构成的识别系统框图如图 1 所示。 语音前端处理模块 原 始 采样特 端点检测 语 征提取 音 识 第 二级 第 一级 别 结 识 别 识 别 果 语音识别模块 图 1 MDSR系统框图 汉语数码语音识别 ( mandarin digit speech MDSR 系统[ 1] 提取的语音特征参数包括用于 recog nition, M DSR) 是语音识别领域中一个具有 识别的参数和用于端点检测的参数。 广泛应用背景的分支, 它的任务是识别“0”到“9”等 1 语音前端处理 10 个非特定人汉语数码语音, 在电话语音拨号、工 语音前端处理包括语音特征提取和端点检测两 业监控、家电遥控等领域有着极大的应用价值[ 1] 。但 与英语数码语音识别相比, M DSR 的性能尚未达到 部分。 成熟应用水平, 这是因为 1) 汉语数码语音的混淆 1. 1 语音特征提取 程度较高; 2) 汉语是一个多方言语种, 说话人会带 1. 1. 1 基本识别参数 有或多或少的地方口音; 3) 在许多应用背景中, 目前常用的语音识别参数有基于线性预测编码 M DSR 需要在运算和存储资源都较为紧张的数字 ( LPC) 的线性预测倒谱系数( LPCC) 和基于 M el 频 信号处理器( digital signal pro cessor, DSP ) 系统上 标的倒谱系数( M FCC ) [ 2] 。实验证明, 采用 M FCC 实现, 这为 M DSR 算法的设计带来了很大的限制。 参数时系统识别率高于采用 LPCC 参数。因此本文 由于以上原因, M DSR 是一项相当困难的任务。 的基本识别参数采用 M FCC 参数及一阶差分 针对汉语数码语音识别提出了一系列高性能的 M FCC 参数。 算法, 使 M DSR 识别率达到了 98. 8% 。由这些算法 1. 1. 2 共振峰轨迹 收稿日期: 1998-11-20 在M DSR 中, 易混淆语音“2”和“8”可以由其第 作者简介: 李虎生 ( 1975-) , 男 ( 汉) , 四川, 硕士研 2, 3 共振峰的变化趋势区分开[ 3] 。因此可将共振峰 究生 轨迹作为识别参数之一, 并选用峰值选取算法来提 * 基金项目: 国家自然科学基金项目( 和国家 取共振峰轨迹[ 3] 。 “八六三”高技术项目( 863- 512- 9805 - 1. 1. 3 鼻音特征参数 10) 汉语数码语音中, “0”的元音具有鼻音的特征, 李虎生, 等: 高性能汉语数码语音识别算法 33 而“0”容易与具有非鼻化元音的“6”混淆, 因此鼻音特征可用于提高“0”的识别率。鼻音的特征包括[ 4] : 鼻音在频谱低端( 约 0. 25 kHz 左右) 有 1 个较强的共振峰。 鼻音在中频段( 约 0. 8～2. 3 kHz) 的能量分布较为均匀, 没有明显的峰或谷。 采用以下 2 个参数表征鼻音的特征: 1) 低频能量比: f n+ B f 2 - 1 , R n= ∑ Fk ? ∑Fk ( 1) k= f n- B k= f 1 其中 f n 为鼻音低频共振峰频率, B 为鼻音低频共振峰带宽。F k 为对语音作快速 Fourior 变换( FFT ) 后第 k 个频率点的能量, [ f 1, f 2] 则为语音“6”能量集中的频带。 2) 频谱质心: f H f H - 1, Fc = ∑f k?k ? ∑f k ( 2) k= f L k= f L 其中[ f L ,