基于DTW的藏語語音識(shí)別系統(tǒng)設(shè)計(jì)

文/梁寧娜　鄧彥松

語音識(shí)別技術(shù)是機(jī)器通過識(shí)別把人類的語音轉(zhuǎn)換為與之對(duì)應(yīng)的命令或者文本的技術(shù)。自20世紀(jì)50年代以來，識(shí)別技術(shù)就取得不斷的進(jìn)步?；谡Z音識(shí)別的系統(tǒng)也逐漸出現(xiàn)在生活中。語音助手、語音轉(zhuǎn)換工具等都是建立在語音識(shí)別技術(shù)的基礎(chǔ)上。英語、漢語的識(shí)別得到了飛速的發(fā)展。而作為我國少數(shù)民族語言文字中歷史悠久的藏語，它的語音識(shí)別技術(shù)的研究才剛剛起步。由于語言本身的復(fù)雜性所限，藏語語音識(shí)別還比較落后。

1　藏語語音特點(diǎn)及識(shí)別現(xiàn)狀

藏語有三種方言分別是衛(wèi)藏方言、康方言、安多方言。藏語是一種拼音語言，根據(jù)藏語語音學(xué)特征可以分為元音和輔音，不同語種用于語音識(shí)別的基元不相同，詞基元的選擇會(huì)受到詞匯量的影響，在語音庫中，增加的詞匯數(shù)量提高了識(shí)別的難度，識(shí)別率也隨著降低。

2　藏語識(shí)別系統(tǒng)的基本原理

語音識(shí)別是主要是采用的是以語音特征為核心的模式識(shí)別。

2.1　預(yù)處理

預(yù)處理是語音識(shí)別的準(zhǔn)備階段，通過預(yù)處理得到語音信號(hào)的有效起始點(diǎn)。再將語音信號(hào)通過數(shù)字濾波器，提升語音的高頻部分，便于頻譜分析。

經(jīng)過預(yù)加重處理后，一般假設(shè)語音信號(hào)在10-30ms的時(shí)間范圍內(nèi)是平穩(wěn)的。采用窗函數(shù)將信號(hào)分為幀。根據(jù)窗函數(shù)的特點(diǎn)，采用哈明窗（Hamming），哈明窗的頻率分辨率較高。哈明窗（Hamming）：

端點(diǎn)檢測(cè)影響著語音識(shí)別的性能，對(duì)端點(diǎn)檢測(cè)比較敏感的語音識(shí)別算法會(huì)受到較大的影響，直接影響語音識(shí)別的正確率。端點(diǎn)檢測(cè)大多采用的方法有短時(shí)能量、短時(shí)過零率，可以將兩種檢測(cè)方法結(jié)合起來用于判斷出語音信號(hào)的位置。

2.2　特征提取

語音識(shí)別中，MFCC反映了人耳特征，其性能和魯棒性在所有參數(shù)中最好的。線性頻率與梅爾系數(shù)頻率的關(guān)系如下：

對(duì)語音信號(hào)進(jìn)行預(yù)處理，然后作離散傅里葉變換，對(duì)變換后的數(shù)據(jù)取模平方得到離散的功率譜，再用一組Mel帶通濾波器進(jìn)行帶通濾波。將得到的Mel頻譜通過對(duì)數(shù)處理得到藏語語音信號(hào)的對(duì)數(shù)頻譜，再進(jìn)行離散余弦變化得到MFCC參數(shù)。

3　語音識(shí)別

3.1　動(dòng)態(tài)時(shí)間規(guī)整法

動(dòng)態(tài)時(shí)間規(guī)整法（DTW）較多的用于孤立詞語音識(shí)別，屬于傳統(tǒng)的模板匹配法。DTW的目的就是尋找一條最佳路徑，此路徑開始于起始點(diǎn)，結(jié)束于終點(diǎn)，并經(jīng)過各個(gè)交叉點(diǎn)，該路徑上所有交叉點(diǎn)的總失真達(dá)到最小。設(shè)藏語語音的模板信號(hào)特征矢量序列為：S={s1, s2,……, si}, 藏語語音的待測(cè)信號(hào)的特征矢量序列為;T={t1, t2,……,tj}, I≠J。利用動(dòng)態(tài)時(shí)間規(guī)整法找到最佳的時(shí)間規(guī)整函數(shù)，使待測(cè)語音的時(shí)間軸j非線性地映射到參考模板的時(shí)間軸i上，使總失真達(dá)到最小。時(shí)間規(guī)整函數(shù)為：

且滿足：

式中，d[j, ω(j)] 是第j幀輸入特征矢量與第i幀參考模板矢量的距離，D為最優(yōu)的距離測(cè)度。

3.2　端點(diǎn)限制放寬的DTW算法

表1：識(shí)別率比較結(jié)果

DTW 算法對(duì)端點(diǎn)檢測(cè)比較敏感，要求參考模板與匹配模板起點(diǎn)對(duì)起點(diǎn)，終點(diǎn)對(duì)終點(diǎn)。但是當(dāng)環(huán)境噪聲較大時(shí)，端點(diǎn)檢測(cè)不易進(jìn)行，因此采用放松端點(diǎn)的方法，即語音信號(hào)的起始端點(diǎn)和結(jié)束端點(diǎn)可以適當(dāng)?shù)姆潘?-3幀。具體的做法就是，在動(dòng)態(tài)規(guī)劃做路徑選擇時(shí)，起點(diǎn)不是（1,1）這個(gè)點(diǎn)，而是過（1,1）的一個(gè)短線段上的點(diǎn)；終點(diǎn)也不是（I,J）,而是過（I,J）點(diǎn)上的一個(gè)短線段的點(diǎn)。

4　實(shí)驗(yàn)研究及結(jié)論

DTW算法和端點(diǎn)限制放寬的DTW算法進(jìn)行實(shí)驗(yàn)比較。實(shí)驗(yàn)樣本總數(shù)為360個(gè)，9個(gè)藏語數(shù)字，每個(gè)發(fā)音40遍。前10遍發(fā)音通過訓(xùn)練得到語音特征，余下為待匹配語音。如表1所示。

DTW方法廣泛用于孤立詞識(shí)別系統(tǒng)，算法簡(jiǎn)單、識(shí)別效果好。本文研究了語音識(shí)別的DTW算法，端點(diǎn)限制放寬的DTW算法的識(shí)別效率比傳統(tǒng)的DTW算法高。由于減少匹配的幀數(shù)，從而也減少了識(shí)別時(shí)間，使系統(tǒng)具有更好的識(shí)別性能。