一種基于聲學模型陣列的魯棒語音識別方法
【專利摘要】本發(fā)明公開一種基于聲學模型陣列的魯棒語音識別方法，包括訓練階段和測試階段。在訓練階段，根據(jù)語音的最高頻率為訓練語音設(shè)定多個上限頻率，提取多組特征向量，并進行模型訓練，得到聲學模型陣列。在測試階段，首先根據(jù)測試環(huán)境下的少量自適應(yīng)語音，估計測試語音的上限頻率；然后從聲學模型陣列中選取與測試語音上限頻率匹配的聲學模型，并對其參數(shù)進行調(diào)整，得到測試環(huán)境聲學模型；最后根據(jù)測試語音上限頻率進行特征提取，得到含噪測試語音的特征向量，并用測試環(huán)境聲學模型對其進行聲學解碼，得到識別結(jié)果。本發(fā)明可以提高噪聲環(huán)境中語音識別系統(tǒng)的性能，提高系統(tǒng)的魯棒性。
【專利說明】-種基于聲學模型陣列的魯棒語音識別方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于語音識別【技術(shù)領(lǐng)域】，具體涉及到根據(jù)多個語音上限頻率，提取多組不 同頻率范圍的特征向量，構(gòu)建聲學模型陣列，并對與測試語音上限頻率相匹配的聲學模型 進行補償，提高語音識別系統(tǒng)魯棒性的模型自適應(yīng)方法。

【背景技術(shù)】
[0002] 在語音識別系統(tǒng)的實際應(yīng)用中，由于環(huán)境噪聲等語音變異性的影響，預(yù)先訓練的 聲學模型往往與測試環(huán)境下提取的特征參數(shù)不匹配，這會導致語音識別系統(tǒng)性能的嚴重下 降。因此，有必要對環(huán)境失配進行補償，提高語音識別系統(tǒng)的識別性能。
[0003] 在語音信號處理中，語音被分成一系列前后有部分采樣值重疊的幀。對于大部分 幀來說，語音信號的基音及各次諧波只存在于頻譜的低頻部分；高頻部分只含有少量語音 成分。因而，可以將語音信號的頻譜劃分為低頻諧波部分和高頻非周期部分。高頻非周期部 分對安靜環(huán)境下的語音識別有一定作用，因此被包含在特征參數(shù)中。然而，語音頻譜的高頻 部分能量較小，在噪聲環(huán)境下，容易被噪聲覆蓋，因此在含噪測試環(huán)境下，含噪語音頻譜的 高頻部分為噪聲成分，不僅不能給語音識別提供有效作用，而且會給后端的模型自適應(yīng)帶 來不利影響。因此，在噪聲環(huán)境下，有必要估計含噪語音頻譜中有效語音成分的上限頻率， 然后根據(jù)該上限頻率，去處高頻部分，保留低頻周期部分，用于語音識別。
[0004] 一般來說，由于不同語音音節(jié)的發(fā)音強弱不同，即使在同一種含噪測試環(huán)境下，不 同幀的語音上限頻率也是不同的。而語音識別系統(tǒng)一般采用隱馬爾可夫模型（HMM:Hidden MarkovModel)作為聲學模型，用于訓練生成HMM的特征向量的頻率范圍或向量維數(shù)必須 相同。因此，在測試階段的含噪語音上限頻率估計中，必須采用一個平均值作為整個發(fā)音的 語音上限頻率。


【發(fā)明內(nèi)容】

[0005] 發(fā)明目的：針對現(xiàn)有技術(shù)中存在的問題，本發(fā)明提供一種基于聲學模型陣列的魯 棒語音識別方法。在訓練階段，首先根據(jù)語音的最高頻率為訓練語音設(shè)定N個上限頻率；然 后分別以這N個頻率為語音頻譜的最高頻率，提取特征向量，并進行模型訓練，得到聲學模 型陣列。在測試階段，首先根據(jù)測試環(huán)境下的少量自適應(yīng)語音，估計當前測試環(huán)境下語音的 上限頻率；然后從聲學模型陣列中選取與測試語音上限頻率匹配的聲學模型，并對其參數(shù) 進行調(diào)整，得到測試環(huán)境聲學模型；最后根據(jù)測試語音上限頻率進行特征提取，得到含噪測 試語音的特征向量，并用測試環(huán)境聲學模型對其進行聲學解碼，得到識別結(jié)果。
[0006] 技術(shù)方案：一種基于聲學模型陣列的魯棒語音識別方法，包括訓練階段和測試階 段兩部分，其中：
[0007] 訓練階段的具體步驟包括：
[0008] (1)根據(jù)語音的最高頻率為訓練語音設(shè)定N個上限頻率，這N個上限頻率在Mel頻 域等間距分布；
[0009] (2)分別以N個上限頻率為語音頻譜的最高頻率，提取N組不同上限頻率的特征向 量：特征1、特征2，…，特征N;
[0010] (3)分別用特征1、特征2,…，特征N進行模型訓練，得到N組不同的聲學模型： 聲學模型1、聲學模型2，…，聲學模型N，組成聲學模型序列；聲學模型序列中的每組聲學 模型除了包括全部語音單元的聲學模型外，還包括其特征對應(yīng)的上限頻率，用于后端的聲 學模型選??；
[0011] 測試階段的具體步驟包括：
[0012] (4)根據(jù)測試環(huán)境下的自適應(yīng)語音估計當前測試環(huán)境下含噪語音的上限頻率；
[0013] (5)根據(jù)估得的測試語音上限頻率，從聲學模型陣列中選取與測試語音上限頻率 匹配的聲學模型；
[0014] (6)根據(jù)自適應(yīng)語音，對選取的聲學模型的參數(shù)進行調(diào)整，使之與當前測試環(huán)境相 匹配，得到測試環(huán)境聲學模型；
[0015] (7)根據(jù)估得的測試語音上限頻率，為含噪測試語音提取特征向量，并用模型自適 應(yīng)得到的測試環(huán)境聲學模型對其進行聲學解碼，得到識別結(jié)果。
[0016] 有益效果：與現(xiàn)有技術(shù)相比，本發(fā)明根據(jù)多個語音上限頻率，提取多組不同頻率范 圍的特征向量，構(gòu)建聲學模型陣列，并對與測試語音上限頻率相匹配的聲學模型進行補償， 得到測試環(huán)境聲學模型。用對應(yīng)多個語音上限頻率的聲學模型陣列取代單一頻率范圍的聲 學模型，預(yù)測實際環(huán)境下測試語音頻譜的頻率范圍；在含噪測試環(huán)境下的語音識別中，只保 留含噪語音頻譜的低頻周期成分，去除語音上限頻率以上的高頻噪聲部分，減小高頻噪聲 對模型自適應(yīng)的影響，從而提高模型自適應(yīng)的精度，得到與測試環(huán)境更加匹配的聲學模型。 與傳統(tǒng)的全頻帶模型自適應(yīng)技術(shù)相比，本發(fā)明可以提高低信噪比環(huán)境下語音識別系統(tǒng)的性 能，增強系統(tǒng)的魯棒性。

【專利附圖】

【附圖說明】
[0017] 圖1為本發(fā)明實施例的方法流程圖，方法包括訓練階段和測試階段兩個部分；訓 練部分包括N路不同上限頻率的特征提取及模型訓練；測試部分包括語音上限頻率估計、 模型選擇、模型自適應(yīng)、特征提取和聲學解碼5個模塊。

【具體實施方式】
[0018] 下面結(jié)合具體實施例，進一步闡明本發(fā)明，應(yīng)理解這些實施例僅用于說明本發(fā)明 而不用于限制本發(fā)明的范圍，在閱讀了本發(fā)明之后，本領(lǐng)域技術(shù)人員對本發(fā)明的各種等價 形式的修改均落于本申請所附權(quán)利要求所限定的范圍。
[0019] 如圖1所示，基于聲學模型陣列的魯棒語音識別方法，包括如下步驟：
[0020] 1、訓練語音上限頻率設(shè)定：
[0021] 設(shè)訓練語音庫中語音的最高頻率為f_，首先將其轉(zhuǎn)換到Mel頻域：

【權(quán)利要求】
1. 一種基于聲學模型陣列的魯棒語音識別方法，其特征在于：包括訓練階段和測試階 段兩部分；在訓練階段，首先根據(jù)語音的最高頻率為訓練語音設(shè)定N個上限頻率；然后分 別以這N個頻率為語音頻譜的最高頻率，提取特征向量，并進行模型訓練，得到聲學模型陣 列；在測試階段，首先根據(jù)測試環(huán)境下的少量自適應(yīng)語音，估計當前測試環(huán)境下語音的上限 頻率；然后從聲學模型陣列中選取與測試語音上限頻率匹配的聲學模型，并對其參數(shù)進行 調(diào)整，得到測試環(huán)境聲學模型；最后根據(jù)測試語音上限頻率進行特征提取，得到含噪測試語 音的特征向量，并用測試環(huán)境聲學模型對其進行聲學解碼，得到識別結(jié)果。
2. 根據(jù)權(quán)利要求1所述的基于聲學模型陣列的魯棒語音識別方法，其特征在于：訓練 階段 (1) 根據(jù)語音的最高頻率為訓練語音設(shè)定N個上限頻率，這N個上限頻率在Mel頻域等 間距分布； (2) 分別以N個上限頻率為語音頻譜的最高頻率，提取N組不同上限頻率的特征向量： 特征1、特征2，…，特征N ; (3) 分別用特征1、特征2,…，特征N進行模型訓練，得到N組不同的聲學模型：聲學 模型1、聲學模型2，…，聲學模型N，組成聲學模型序列；聲學模型序列中的每組聲學模型 除了包括全部語音單元的聲學模型外，還包括其特征對應(yīng)的上限頻率，用于后端的聲學模 型選取。
3. 根據(jù)權(quán)利要求2所述的基于聲學模型陣列的魯棒語音識別方法，其特征在于：測試 階段 (4) 根據(jù)測試環(huán)境下的自適應(yīng)語音估計當前測試環(huán)境下含噪語音的上限頻率； (5) 根據(jù)估得的測試語音上限頻率，從聲學模型陣列中選取與測試語音上限頻率匹配 的聲學模型； (6) 根據(jù)自適應(yīng)語音，對選取的聲學模型的參數(shù)進行調(diào)整，使之與當前測試環(huán)境相匹 配，得到測試環(huán)境聲學模型； (7) 根據(jù)估得的測試語音上限頻率，為含噪測試語音提取特征向量，并用模型自適應(yīng)得 到的測試環(huán)境聲學模型對其進行聲學解碼，得到識別結(jié)果。
4. 根據(jù)權(quán)利要求3所述的基于聲學模型陣列的魯棒語音識別方法，其特征在于：測試 階段的模型自適應(yīng)采用對數(shù)譜域線性變換，在Mel濾波器組的每個通道上用單變量線性回 歸逼近實際環(huán)境變換關(guān)系，線性變換參數(shù)從測試環(huán)境下的少量自適應(yīng)語音中估計。
5. 根據(jù)權(quán)利要求3所述的基于聲學模型陣列的魯棒語音識別方法，其特征在于：測試 環(huán)境下的特征提取需要根據(jù)估得的測試語音上限頻率進行，以保證選取的聲學模型的頻率 范圍與特征向量的頻率范圍一致。
6. 根據(jù)權(quán)利要求2所述的基于聲學模型陣列的魯棒語音識別方法，其特征在于：設(shè)訓 練語音庫中語音的最高頻率為fmax，首先將其轉(zhuǎn)換到Mel頻域：
其中，F(xiàn)max表示Mel頻域的最高頻率；然后，根據(jù)Fmax設(shè)定N個語音頻譜上限頻率 ：
:最后，將這N個頻率轉(zhuǎn)換到線性頻域：
其中，fk表示第k個語音頻譜上限頻率； 分別以fi，f2，…，fN為語音信號頻譜的最高頻率，為訓練語音提取倒譜特征，得到與 f\，f2，…，&對應(yīng)的多組特征：特征1，特征2，…，特征N。
【文檔編號】G10L15/20GK104392718SQ201410699802
【公開日】2015年3月4日 申請日期:2014年11月26日 優(yōu)先權(quán)日:2014年11月26日
【發(fā)明者】呂勇 申請人:河海大學