基于MFCC和LSP混合的語(yǔ)音特征參數(shù)的技術(shù)研究

1、    摘  要  本文提出了一種基于MFCC（Mel Frequency Cepstral Coefficients）和LSP(Line Spectrum Pair)的混合語(yǔ)音特征參數(shù)，有效地彌補(bǔ)了單純使用MFCC的不足，實(shí)驗(yàn)中利用加權(quán)的歐幾里德距離計(jì)算特征矢量的失真距離，結(jié)果表明新的特征矢量能夠很好的表征語(yǔ)音信號(hào)的特征信息，能有效降低系統(tǒng)的誤識(shí)率。     關(guān)鍵字  特征提取;  MFCC;  LSP;  歐幾里德距離 1  引言 

2、   隨著教學(xué)制度的深入改革，在英語(yǔ)教學(xué)中，人們?cè)絹?lái)越注重“聽”“說(shuō)”這一類的實(shí)際交流能力，口語(yǔ)測(cè)試環(huán)節(jié)已經(jīng)得到越來(lái)越多教育專家的關(guān)注，我們清醒地認(rèn)識(shí)到，說(shuō)的能力實(shí)際上也包括了對(duì)于聽和讀的能力訓(xùn)練。在現(xiàn)代計(jì)算機(jī)多媒體技術(shù)與網(wǎng)絡(luò)技術(shù)飛速發(fā)展的前提下，很多英語(yǔ)教學(xué)系統(tǒng)的設(shè)置已經(jīng)越來(lái)越科學(xué)化人性化，利用計(jì)算機(jī)輔助設(shè)計(jì)，評(píng)估英語(yǔ)發(fā)音者口語(yǔ)發(fā)聲質(zhì)量已經(jīng)成為教學(xué)中的重要一環(huán)。除了應(yīng)用于教育背景之下，目前也有一些跨國(guó)公司，在招聘員工面試時(shí)采用了一種名為PhonePass SET的機(jī)制，就是通過一部電話機(jī)，在短短幾分鐘內(nèi)，由機(jī)器對(duì)面試者的外語(yǔ)口語(yǔ)進(jìn)行一次綜合測(cè)評(píng)。由此可見，口語(yǔ)測(cè)評(píng)已成為實(shí)

3、用外語(yǔ)中一項(xiàng)不可缺少的工作。    口語(yǔ)測(cè)試的評(píng)分一般分為兩種：一種是自動(dòng)評(píng)分，一種為專家評(píng)分。目前我們進(jìn)行的大量研究工作都是針對(duì)前一種的，希望盡可能脫離人的主觀因素對(duì)口語(yǔ)測(cè)試者的發(fā)音客觀評(píng)分，評(píng)分的客觀性表現(xiàn)在給出的分?jǐn)?shù)只由被測(cè)者個(gè)人的表現(xiàn)決定，不會(huì)受到評(píng)分專家對(duì)于測(cè)試者的個(gè)人印象，特定環(huán)境下單個(gè)被測(cè)群體的平均水平限制，以及發(fā)音的個(gè)體性差異等因素影響。這就對(duì)我們的計(jì)算機(jī)輔助設(shè)計(jì)提出了很高的要求。我們主要用到的技術(shù)是語(yǔ)音識(shí)別和統(tǒng)計(jì)模型的相關(guān)理論，通過提取被測(cè)者語(yǔ)音信號(hào)的特征參數(shù)，計(jì)算機(jī)對(duì)其經(jīng)過一系列數(shù)字信號(hào)處理，從而在統(tǒng)計(jì)模型中對(duì)它進(jìn)行分析測(cè)評(píng)。因此，提取特征參數(shù)

4、的類型就顯得尤為重要了，目前應(yīng)用最為廣泛的特征系數(shù)是Mel頻率倒譜參數(shù)（MFCC）。已經(jīng)有大量實(shí)驗(yàn)表明，較之其它類型參數(shù)，它能夠更好的反映人耳聽覺肌理的特征1。本文中以非線性的特征參數(shù)MFCC為主，結(jié)合了語(yǔ)音信號(hào)的另一個(gè)重要參數(shù)線譜對(duì)參數(shù)LSP，提出了一種語(yǔ)音特征參數(shù)的混合使用方法（M/L），使發(fā)音質(zhì)量判決系統(tǒng)的正確率有所改進(jìn)。2  特征提取    特征參量的選擇和提取對(duì)于實(shí)現(xiàn)語(yǔ)音識(shí)別系統(tǒng)有關(guān)鍵的意義，理想的特征參數(shù)必須用較少的特征維數(shù)包含盡可能多的語(yǔ)音特征信息。 2.1  MFCC特征參數(shù)    MFCC系數(shù)是基

5、于人耳的聽覺特性，所謂Mel 頻率尺度，它的值大體上對(duì)應(yīng)于實(shí)際頻率的對(duì)數(shù)關(guān)系。其與實(shí)際頻率的具體關(guān)系如下：          （2-1）    其中實(shí)際頻率f 的單位為Hz 。根據(jù)Zwicker 的工作，臨界頻帶寬隨著頻率的變換而變化，并與Mel 頻率的增長(zhǎng)一致。在1000 Hz 以下，大致呈線性分步，帶寬為100 Hz 左右；在1000 Hz 以上呈對(duì)數(shù)增長(zhǎng)。類似于臨界帶的劃分，可以將語(yǔ)音頻率劃分為一系列三角形的濾波器序列，即美爾濾波器組。在Mel 濾波器的選擇中

6、，濾波器組的選擇一般都選擇三角形濾波器，可以根據(jù)不同的應(yīng)用選擇其他的形狀如矩形、正弦形的濾波器組。濾波器的個(gè)數(shù)一般取24。當(dāng)信號(hào)通過濾波器組時(shí)，取每個(gè)三角形濾波器頻率帶寬內(nèi)所有信號(hào)幅度加權(quán)和作為每個(gè)帶通濾波器的輸出，然后對(duì)所有濾波器輸出做對(duì)數(shù)運(yùn)算，最后進(jìn)一步通過離散余弦變換降低特征矢量的維數(shù)，得到的參數(shù)就是美爾頻率倒譜參數(shù)(MFCC)2。        （2-2）    由于MFCC 更好的反映了人耳的聽覺系統(tǒng)的非線性特性，在參數(shù)的抗噪聲性能和提高系統(tǒng)的識(shí)別率方面具有優(yōu)勢(shì)，在實(shí)際應(yīng)用中

7、還可以將MFCC 和其差分參數(shù)結(jié)合起來(lái)作為一組特征矢量進(jìn)行訓(xùn)練，進(jìn)一步提高系統(tǒng)的抗噪聲性能。2.2  線譜對(duì)參數(shù)LSP    語(yǔ)音信號(hào)的譜特性，除了音調(diào)周期外，全部包含在線性預(yù)測(cè)系數(shù)LPC（Linear Predictor Analysis）里面了3。LSP即是線性預(yù)測(cè)系數(shù)的一種推演參數(shù)，定義為如下多項(xiàng)式的根：           （2-3）         

8、0;（2-4）各個(gè)根的頻率在單位圓上相互交錯(cuò)排列，分布為：0<1<1<<p/z<p/z<， i和i分別為P(z)和Q(z)的第i個(gè)零點(diǎn)，它們總是成對(duì)的出現(xiàn)，且反映信號(hào)的頻譜特性，因此稱為線譜對(duì)?？傊?，線譜對(duì)分析是用p個(gè)離散頻率i和i的分布密度來(lái)表示語(yǔ)音信號(hào)頻譜特性的一種方法。LSP參數(shù)能夠反映聲道幅度譜的特點(diǎn)，在幅度大的地方分布較密，反之較疏，這樣就相當(dāng)于反映出了幅度譜中的共振峰特征，在一定程度上可以起到特征補(bǔ)償作用。 近年來(lái)聲碼器研究實(shí)踐表明，LSP是一種具有良好的量化特性和插值特性的參數(shù)，因此，在中低速語(yǔ)音編碼和語(yǔ)音識(shí)別等領(lǐng)域中已經(jīng)得到廣泛的應(yīng)用。 2.

9、3  M/L特征參數(shù)    前面已經(jīng)有學(xué)者為了進(jìn)一步提高識(shí)別率，提出過MFCC/FORMANTS（共振峰）參數(shù)也有很好的識(shí)別性能5，但是求解共振峰的算法相對(duì)復(fù)雜。而且在求解共振峰的過程中，我們經(jīng)常會(huì)采用的一種方法，就是利用LPC模型分析，提取LPC譜包絡(luò)線的重要信息來(lái)獲得。所以，我們很容易就想到用一種同樣能夠表征共振峰特性，而計(jì)算相對(duì)簡(jiǎn)單的LPC推演參數(shù)LSP來(lái)取代共振峰參數(shù)。并且，也有文獻(xiàn)指出，LSP參數(shù)已經(jīng)可以輔助MFCC參數(shù)，應(yīng)用于對(duì)說(shuō)話認(rèn)識(shí)別的判決性條件1?；谝陨系睦碚摚谔崛×薓FCC一階差分系數(shù)和線譜對(duì)系數(shù)的基礎(chǔ)上，用MFCC來(lái)表征語(yǔ)音信號(hào)

10、的非線性特征，而用線譜對(duì)系數(shù)來(lái)輔助表征語(yǔ)音的線性特征，計(jì)算二者歸一化后的數(shù)值，并將它作為最終衡量語(yǔ)音信號(hào)失真的標(biāo)準(zhǔn)，是本文的重要思想。3  實(shí)驗(yàn)分析及其結(jié)果3.1  檢驗(yàn)方法    在本文中，我們主要采取了加權(quán)的歐幾里德距離來(lái)度量?jī)山M特征矢量間的距離5。X=（x1，x2，xk）為參考模型的特征矢量，K代表參數(shù)的維數(shù)，Y=（y1，y2，yk）表示維數(shù)為K的被測(cè)模型特征矢量。標(biāo)準(zhǔn)的加權(quán)歐幾里德距離可用下式表示：           （3-1

11、）Wk為加權(quán)系數(shù)， 。3.2  語(yǔ)音訓(xùn)練數(shù)據(jù)庫(kù)    本實(shí)驗(yàn)基于一個(gè)自行開發(fā)的口語(yǔ)測(cè)試平臺(tái)，將語(yǔ)音識(shí)別的相關(guān)理論運(yùn)用其中。我們利用了東方背單詞4和金山詞霸2005的單詞發(fā)音，分別建立了訓(xùn)練庫(kù)中的兩個(gè)標(biāo)準(zhǔn)模板，實(shí)驗(yàn)中的語(yǔ)音數(shù)據(jù)使用的采樣頻率為8000Hz，精度16位，單聲道，這三個(gè)參數(shù)在整個(gè)系統(tǒng)的實(shí)現(xiàn)過程中是一直不變的。 3.3  實(shí)驗(yàn)分析    口語(yǔ)測(cè)試開發(fā)平臺(tái)的功能和原理簡(jiǎn)述如下：口語(yǔ)測(cè)試者在語(yǔ)音訓(xùn)練庫(kù)中，可任意選取語(yǔ)音樣本，根據(jù)聽到樣本的標(biāo)準(zhǔn)發(fā)音進(jìn)行跟讀。系統(tǒng)在運(yùn)行過程中，分別提取二者的特征信息，進(jìn)行比對(duì)，通過計(jì)算標(biāo)準(zhǔn)模板和訓(xùn)練模板特征參數(shù)之間的歐幾里德距離，判決發(fā)音質(zhì)量。要求檢測(cè)系統(tǒng)能夠客觀、真實(shí)地對(duì)口語(yǔ)訓(xùn)練者的發(fā)音質(zhì)量做出評(píng)價(jià)，盡量降低誤判率。    依據(jù)以上的原