计算机辅助语言学习中基于K-GMM模型的一种汉语声调识别技术及其应用研究.docxVIP

?

?

计算机辅助语言学习中基于K

GMM模型的一种汉语声调识别技术及其应用研究

?

?

计算机辅助语言学习中基于K—GMM模型的一种汉语声调识别技术及其应用研究

一、引言

汉语是我国的语言，其中官方通用语言为普通话，学习汉语主要是通过老师上课教、学生课后根据书本上的汉语拼音学习的方式进行。这种方法对教师的依赖性过大，虽然教师通过普通话测试，但是仍然有一部分教师存在口音问题，同时这种学习方式对学生的普通话发音没有办法进行严格的评判。随着计算机多媒体技术的发展，可以使用计算机通过评测系统进行计算机辅助语言学习。而目前汉语普通话测试主要也是基于计算机辅助语言学习（ComputerAssistedLanguageLearning，简称CALL）[1]进行的。本文从这个角度出发，首先获取模型设计的基频数据，设计并实现K-GMM模型，并初步分析这一技术应用于计算机辅助语言学习中的价值。

二、基于K-GMM模型的

一种汉语声调识别技术

汉语是声调语言，其单音节的声调模式共有五种，分别为阴平、阳平、上声、去声和轻声，[2]本文主要针对前四种声调进行分析。汉语最重要的信息是通过声调的基频保持的，它是提高语音生动性的重要因素。因此声调识别在汉语识别中十分关键，必须选用准确有效的方式方法提取基频，并对其进行必要的处理。必要的处理手段主要有插值平滑处理、重采样处理以及归一化处理。[3]通过这些必要的处理后，再通过建立一个识别模型才能够实现声调的识别。识别模型的好坏在一定程度上决定了识别率的高低，因此本文为了实现非特定人声调识别而建立了K-GMM模型。

（一）基频提取算法原理

为了保证提取基频的准确性，同时又要满足算法的复杂度较低以及算法的计算量小的要求，可选择自相关算法提取基频，并对基频数据进行后处理，得到一个较好的基频数据输入模型。算法框图如图1所示。

假定随时间的变化语音信号的特性变化缓慢，因此可以将信号分割成一些短段（分帧）再加以处理，这些短段可以看作是来自一个持续声音片断，这个持续声音片段具有固定特性。算法中就是将语音信号看作是短时平稳过程，对其短段进行语音信号处理的。

图1基频提取算法框图

1.语音信号的预处理

通过对语音的研究表明：[4]成年男性、成年女性基频范围分别在70～250Hz、160～400Hz，而儿童的基频范围最高可达500Hz。因此选用60～900Hz的带通滤波器对语音信号进行滤波，完成预处理，这样可以剔除一部分非语音音频的基频数据。

2.自相关计算

使用信号{x（n）}的短时自相关函数计算，获取基频数据，如公式（1）所示。

Rn（k）=x（m）·x（m+k）·hk（n-m）（1）

其中：hk（n-m）=w（n）·w（n-k）

Rn（k）就是自相关计算所得的基频结果，它是信号在第n个样本附近截取的一段信号。

3.插值平滑

通过自相关计算得到的基频，存在数据丢失的情况，这主要是因为一些浊音部分的基频为0，导致基频序列不连续。针对这一情况需要进行丢失数据的处理。通常可采用插值平滑的方式进行。这里采用基于拉格朗日（Lagrange插值）插值的插值平滑处理，如公式（2）所示。

Pn（x）=lk（x）yk=j≠0（2）

根据实际应用模型可知，每个汉字的基频曲线应该是平滑的，字与字之间的基频过渡也应该是平滑的。基于这种思想，结合普通话语音的特点，选取Lagrange插值平滑处理中的值为3。使用Lagrange插值法选取已知点时，选择四个点，断点前后各两个点，其中在断点前要分别选择一个最靠近的已知点和一个与该断点有一定距离的已知点。在断点后也以相同的方法选取已知点，注意选取距离一般不超过10。

采用自相关计算提取的基频，选取n值为3的Lagrange插值进行平滑处理后，如图2所示。通过分析，可以看出平滑后的基频曲线效果较好。

4.重采样处理

为了便于建立识别模型，必须保证每个字或词的特征数相同，因此需要对数据进行重采样处理。重采样的基本步骤如下：

（a）平滑处理前

（b）平滑处理后

图2插值平滑处理前后对比

假设特征维数设定为m维，对应在[0，1]上的点间隔1/（m-1）。再假定在二维坐标系中取n个点，用于对应提取某个字的n个基频数据，二维坐标系中纵坐标为该点对应的基频数据值，横坐标为0到1，其间隔为1/（n-1）。其中mN并且1（m-1）1/（n-1）。

（1）取原始数据的第一个点为重采样的第一个点。

（2）计算重采样的第二个点。根据重采样的第二个点x横坐标为1/（m-1），位于区间[1/（n-1），2/（n-1）]，选择线性插值运算在其所在区间上进行插值运算，可得到其对应的重采样数值y