《结合瞬时频率的多通道语音识别规范》编制说明.pdf

《结合瞬时频率的多通道语音识别规范》

编制说明

一、标准制定的必要性

本项目的主要目的在于克服现有技术的缺点与不足，

提供一种结合瞬时频率的多通道语音识别规范，丰富语音

信号的特征，提升语音识别的准确度。

二、项目背景及工作情况

（一）项目背景

近年来，基于深度神经网络(DeepNeuralNetwork，

DNN)的声学模型建模方法已经在语音识别领域取得了突出

的成果。长短时记忆模型(LongShortTermMemory,LSTM)

等复杂神经网络的提出进一步提升了声学模型的能力。然

而，由于背景噪声，混响以及人声干扰等因素，远场语音

识别任务仍然充满挑战。

与单麦克风采集语音信号相比，多麦克风录制的数据

可以提供额外的空间信息。因此，通常采用麦克风阵列提

升对远场语音信号的识别准确率。然而，现有技术中，对

于语音信号的特征提取不充分，影响语音识别的准确度。

（二）任务来源

为实现通过瞬时频率提取瞬时频率特征，并将瞬时频

率特征和Mel特征组合进行语音识别，丰富了语音信号的

1

特征，提升了语音识别的准确度。广州科慧健远医疗科技

有限公司提出制定该项团体标准。

（三）标准起草单位

本标准的主要起草单位是广州科慧健远医疗科技有限

公司、武汉市昱呈星医疗科技有限责任公司、广州言成智能

设备股份有限公司、科慧健远（广州）智能设备有限公司、

广州鼎成信息科技有限公司、广州科慧健远科学研究院有限

公司、广州鹏远智能设备有限公司、广州高远数控科技有限

公司、南京市恒临沣信息技术有限公司、上海赛欧信息科技

有限公司、雅泰歌思（上海）通讯科技有限公司、广州贝鼎

科技有限公司、江苏雅泰歌思通讯技术有限公司、英芙泰氪

（青岛）科技有限公司、永迅亚洲有限公司参与起草。

（四）标准研制过程及相关工作计划

1.团体标准《结合瞬时频率的多通道语音识别规

范》在2022年7月完成了项目可行性分析，标准的研制工

作于2022年7月正式启动，选择、确定技术水平高、责任

心强的专业技术人员，组建了标准起草小组。

2.2022年7月中旬提出了标准框架，并根据标准的

框架结构进行资料收集，编写了标准草案，向粤港澳标准

化与质量发展促进会递交资料提出立项申请。

3.2022年8月，完成标准草案的完善，并小范围内

部征求意见，根据反馈意见修改形成《征求意见稿》，全

面公开征求意见。

2

4.2022年10月，起草小组将根据《征求意见稿》的

反馈意见，对意见进行处理并进一步完善标准，形成标准

送审稿。

5.计划2022年10月提交标委会技术审查和报批。

6.计划2022年10月在全国团体标准信息平台公示

及发布。

三、标准制定的基本原则

本标准遵守和符合相关法律法规、强制性标准要求，充

分考虑目前国内外数字通信技术领域的特点和现状，结合工

作实践和相关研究成果而加以制定。

四、标准编写依据及主要内容

本标准按照GB/T1.1—2020的规定进行编写，相关内

容经过了验证，具有较强的可操作性和科学性。根据调研

情况，意见收集情况分析，确定标准的主要技术内容包括：

获取麦克风阵列中的每个单通道频域的离散语音信号作为

目标语音信号；估计每个单通道的目标语音信号的瞬时频

率，根据瞬时频率提取瞬时频率特征；根据每个单通道的

目标语音信号提取Mel特征；组合Mel特征和瞬时频率特

征，得到目标特征；将目标特征输入预设的声学模型，获

得语音识别结果。通过瞬时频率提取瞬时频率特征，并将

瞬时频率特征和Mel特征组合进行语音识别，丰富了语音

信号的特征，提升了语音识别的准确度。

3

五、与有关法律法规和强制性标准的关系

遵守和符合相关法律法规和强制性标准要求。

六、相关国内标准情况简要说明

目前国内尚无相关标准。

七、重大意见分歧的处理依据和结果

本标准在制定过程中未出现重大