PLP及MFCC在藏語連續(xù)語音識別系統(tǒng)中的比較

1、 PLP及MFCC在藏語連續(xù)語音識別系統(tǒng)中的比較【摘要】 本文論述了常用的語音特征參數(shù)，并分析了mel頻譜倒譜系數(shù)（mfcc）和感知線性預測系數(shù)（plp）的計算方法，并在藏語拉薩話大詞表連續(xù)語音識別系統(tǒng)中分別提取mfcc和plp參數(shù)，并對識別結(jié)果進行了比較.【關(guān)鍵詞】 mel倒譜 感知線性預測系數(shù) mfcc plp 語音識別 藏語自動語音識別研究起始于上世紀50年代，80年代最大突破是隱馬爾科夫模型（hmm）的應用，語音識別研究重點從特定人、小詞表、孤立詞語音識別向非特定人、大詞表、連續(xù)語音識別轉(zhuǎn)移；90年代以來，語音識別在模型細化、參數(shù)提取和優(yōu)化、系統(tǒng)自適應方面取得重大突破.進入本世紀，著名

2、的研究機構(gòu)和公司，如劍橋大學、ibm、cmu大學、微軟、貝爾實驗室等機構(gòu)的大詞表連續(xù)語音識別系統(tǒng)對特定說話人的識別率達到95左右.面對中國未來市場，國外ibm、apple、motorola等公司投入到漢語語音識別系統(tǒng)的開發(fā).我國語音識別研究雖然起步較晚，但發(fā)展發(fā)展迅速，中國科學院自動化研究所、聲學研究所及清華大學、北京交通大學等機構(gòu)都開展了語音識別的研究，總體上，漢語連續(xù)語音識別的研究與國外先進技術(shù)相差不大。實際環(huán)境對語音識別的聲學噪聲魯棒性要求越來越高,因此,提取具有魯棒性和較強區(qū)分能力的特征向量對語音識別系統(tǒng)具有重要的意義.目前常用的聲學特征參數(shù)有基于線性預測分析(lpc)的倒譜lpcc、

3、基于mel頻率彎折的倒譜mfcc及基于聽覺模型的感知線性預測(plp)分析等.由于考慮到人耳的聽覺特性，mel倒譜系數(shù)或感知線性預測系數(shù)已經(jīng)成為目前主流的語音特征向量提取方法之一，加上它們的一階、二階差分以及對特征向量進行歸一化處理以后，在大詞匯量連續(xù)語音識別問題上取得不錯的結(jié)果。為了使系統(tǒng)具有較好的魯棒性，通常要對語音識別系統(tǒng)的前端進行預處理.雖然語音信號是非平穩(wěn)信號，但在一個小的時段內(nèi)具有相對的穩(wěn)定性，因此在對語音信號進行分析時，我們總是假定語音信號在一個時間幀(frame)內(nèi)是平穩(wěn)信號，這就是語音信號的短時分析假設。通常一幀大約為20ms左右。對一幀信號通過加hamming 窗、hann

4、ing 窗或矩形窗后再進行特征分析就可以得到相應的一組特征，然后通過把分析窗移動一個偏移（稱為幀移，通常為一幀的1/2或1/3)，然后進行下一幀的處理。1mfcc的計算mel頻率倒譜參數(shù)(mfcc)，著眼于人耳的聽覺特性。人耳所聽到的聲音的高低與聲音的頻率并不成線性正比關(guān)系，從人類聽覺系統(tǒng)的研究成果來看，人耳分辨聲音頻率的過程猶如一種取對數(shù)的功能，而mel頻率尺度則更符合人耳的聽覺特性。類似于臨界頻帶的劃分，可以將語音頻率劃分成一系列三角形的濾波器序列，即mel濾波器組。mel頻率和頻率的關(guān)系如下：mel(f)=2595lg(1+f/700)mel頻率帶寬隨頻率的增長而變化，在1000hz以下

5、，大致呈線性分布，帶寬為100hz左右，在1000hz以上呈對數(shù)增長。將頻譜通過24個三角濾波器，其中中心頻率在1000hz以上和以下的各12個。濾波器的中心頻率間隔特點是在1000hz以下為線性分布，1000hz以上為等比數(shù)列分布。圖1 mel三角濾波器mfcc的具體計算過程如下：1)由原始信號計算其dft，得到離散譜s n n n t ( ) = 1,2,., ；2)三角濾波器的輸出則為此頻率帶寬內(nèi)所有信號幅度譜加權(quán)和。l = 1,2,.,243)對所有濾波器輸出作對數(shù)運算ln（y（l）l= 1,2,.,244)作離散余弦變換（dct）得到mel頻率倒譜參數(shù)(mfcc)。i = 1,2,.

6、,p，p為mfcc參數(shù)的階數(shù)，取p12.2plp的計算感知線性預測(plp)技術(shù)涉及到聽力、心理、物理學的三個概念：(1)臨界波段頻譜分辨率；(2)等響度曲線；(3)強度-響度功率定律。使用一個自回歸全極點模型去逼近聽覺頻譜。5階的全極點模型能有效地抑制聽覺頻譜中與話者有關(guān)的細節(jié)信息。與傳統(tǒng)的線性預測(lp)分析相比，在強調(diào)聽覺這方面，plp分析更為合理。plp分析流程：(1)使用fft用對原始信號從時域變換到頻域，得到功率譜 ；(2)關(guān)鍵波段頻譜分析（critical-band spectral resolution）：以不同于mel頻譜分析的新的臨界波段曲線進行分段離散卷積，產(chǎn)生臨界波段功

7、率譜的樣點.(3)等響度預加重(equal-loudness pre-emphasis)：樣值化的通過模擬的等響度曲線進行預加重(4) 利用強度-響度冪律(intensity-loudness power law)進行立方根幅度壓縮(5) 自回歸建模(auto-regressive modeling)：利用全極點頻譜建模的自相關(guān)方法由全極點模型的頻譜去逼近 ?；驹硎牵簩?)進行逆dft變換，產(chǎn)生自相關(guān)函數(shù)。前m1個自相關(guān)值用于從yule-walker方程中解出m階全極點模型的自回歸系數(shù)。3.實驗結(jié)果分別提取12維plp和mfcc特征參數(shù)，1維歸一化短時能量，并求其一階差分及二階差分，共39

8、維mfcc和plp特征參數(shù).以音素為聲學建模單元，采用5狀態(tài)的連續(xù)hmm模型（見圖2），其中1、5狀態(tài)只起連接作用，沒有觀測概率，第2、3、4狀態(tài)有g(shù)mm概率分布，假設特征參數(shù)是相互獨立的，所以規(guī)定協(xié)方差矩陣為對角陣。圖2 五狀態(tài)hmm模型結(jié)構(gòu)聲學模型的訓練基于4007句朗讀式的特定人男聲語料，共2.84小時，結(jié)合藏語語言學和語音學的研究成果，對拉薩話中全部50個音素進行分類，共劃分了38個音素類別集，對全部72個聲韻母設計了72個類別集，根據(jù)其前后語境分別建立決策樹問題集，生成決策樹，生成三音子模型后逐步增加高斯混合度。選擇50句短句作為測試集，測試集與訓練集為同一發(fā)音人，但發(fā)音文本完全獨立

9、，同時，測試集語料與語言模型的訓練語料也完全獨立，測試集共有885個單音節(jié)，其中界外詞（oov）25個，全部為緊縮音節(jié)。當特征參數(shù)分別為plp和mfcc時，實驗結(jié)果如下（三音子triphone模型的狀態(tài)數(shù)為584）：由藏語大詞表連續(xù)語音識別的實驗結(jié)果來看，plp和mfcc的效果相差不大。參考文獻1 lawrence rabiner, biing-hwang juang. fundamentals of speech recognitionm.北京：清華大學出版社.19932 鄭方,吳文虎,方棣棠. 連續(xù)無限制語音流中關(guān)鍵詞識別的研究現(xiàn)狀c.第四屆全國人機語音通訊學術(shù)會議,北京,19963 高升,徐波,黃泰翼.基于決策樹的漢語三音子模型j.聲學學報,2000,11(2):271-2764 julian james odell. the use of context in large vocabulary spe