面向蒙古語的語音識別聲學(xué)建模研究.pdf

1、自動語音識別是具有巨大應(yīng)用價值和廣闊應(yīng)用前景的人機(jī)交互技術(shù)，而聲學(xué)建模則是創(chuàng)建語音識別系統(tǒng)的關(guān)鍵環(huán)節(jié)與核心技術(shù)，也是語音識別研究的重點和熱點之一。本文對蒙古語語音識別聲學(xué)建模相關(guān)的若干問題進(jìn)行了深入的探索和研究。目前，在國際信息化浪潮的推動下，蒙古族自治區(qū)域正在快速步入信息化社會。在這種歷史背景和條件下，開展本文的研究工作，不僅具有重要的學(xué)術(shù)價值，而且具有積極深遠(yuǎn)的社會現(xiàn)實意義，它必將有益于廣大蒙古族同胞生活、學(xué)習(xí)、工作自動化程度的提高

2、，必將有益于蒙古族自治區(qū)域信息化水平的提升。
　　本文研究工作在蒙古語語音識別聲學(xué)建模的模型選擇、相關(guān)支持技術(shù)以及參數(shù)估計等三個基本問題方面均有所涉及，具體研究內(nèi)容和創(chuàng)新點如下:
　　1.蒙古語聲學(xué)模型拓?fù)浣Y(jié)構(gòu)優(yōu)化
　　模型選擇方面，針對當(dāng)前創(chuàng)建蒙古語語音識別系統(tǒng)時只能采用經(jīng)驗式或啟發(fā)式方法選擇較大建模對象（指其讀音由兩個或兩個以上的音子構(gòu)成的建模對象）聲學(xué)模型拓?fù)浣Y(jié)構(gòu)的情形，本文提出了分別基于標(biāo)準(zhǔn)遺傳算法和標(biāo)準(zhǔn)粒群優(yōu)

3、化算法的兩個蒙古語較大建模對象聲學(xué)模型拓?fù)浣Y(jié)構(gòu)優(yōu)化算法，并給出了算法實現(xiàn)相關(guān)問題的解決方案和高斯核非均勻分配系統(tǒng)的訓(xùn)練策略。與以往的進(jìn)化方法在其它語言語音識別領(lǐng)域中的類似應(yīng)用相比，本文算法都具備同時優(yōu)化模型狀態(tài)數(shù)與各狀態(tài)高斯核數(shù)量、摒棄高斯核均勻分配以及自動搜索等優(yōu)點。在驗證和應(yīng)用上述模型拓?fù)鋬?yōu)化算法的實驗中，與分別使用一種傳統(tǒng)方法選擇蒙古語較大建模對象聲學(xué)模型拓?fù)浣Y(jié)構(gòu)的兩組基線系統(tǒng)相比，利用本文算法選擇蒙古語較大建模對象聲學(xué)模型拓?fù)浣Y(jié)

4、構(gòu)的所有語音識別系統(tǒng)，其識別性能均占顯著優(yōu)勢;相對于表現(xiàn)最好的基線系統(tǒng)，分別使用本文提出的一種算法的兩組拓?fù)鋬?yōu)化系統(tǒng)，其詞準(zhǔn)確率的提升幅度分別達(dá)到了11.52個百分點和10.42個百分點。
　　2.蒙古語聲學(xué)模型狀態(tài)聚類:問題集設(shè)計
　　建模相關(guān)支持技術(shù)方面，針對目前蒙古語語音識別界亟待設(shè)計出合理、完善的蒙古語問題集以有效支持聲學(xué)建模過程中基于決策樹的參數(shù)綁定方法的情形，本文討論了蒙古語問題集設(shè)計中的原則、音子集的選擇、音素

5、表的完善、復(fù)合元音的歸類、松與緊概念的應(yīng)用等關(guān)鍵問題的解決方案，給出了一個蒙古語標(biāo)準(zhǔn)音問題集，指出了該問題集相對于已有蒙古語問題集的優(yōu)越性。決策樹方法與數(shù)據(jù)驅(qū)動方法的多次對比實驗中，利用本文蒙古語問題集的前者每次都帶來了略高于后者的系統(tǒng)識別率，這說明本文的蒙古語問題集能夠有效支持基于決策樹的狀態(tài)聚類與綁定方法;問題集對比實驗中，本文給出的問題集的表現(xiàn)好于目前已公開發(fā)表的其它蒙古語問題集，這說明它的設(shè)計更加合理、更為完善。
　　3.

6、蒙古語聲學(xué)模型區(qū)分性訓(xùn)練
　　模型參數(shù)估計方面，針對蒙古語口語中的眾多讀音相似的音子的相互誤識正在嚴(yán)重影響蒙古語語音識別系統(tǒng)的識別性能的現(xiàn)狀，本文將通過增強(qiáng)模型之間的區(qū)分度提高系統(tǒng)識別性能的區(qū)分性訓(xùn)練技術(shù)首次應(yīng)用在蒙古語語音識別領(lǐng)域中。具體地，將最大互信息、最小詞錯誤和最小音素錯誤等區(qū)分性訓(xùn)練準(zhǔn)則系統(tǒng)地應(yīng)用在蒙古語聲學(xué)建模任務(wù)中，設(shè)計了應(yīng)用方案，解決了訓(xùn)練數(shù)據(jù)列表的自動調(diào)整、訓(xùn)練語料外三音子模型的合成、文本文件的自動生成與處理等若

7、干技術(shù)問題，提出并實現(xiàn)了能夠直觀了解區(qū)分性訓(xùn)練效果的音子級解碼和基于混淆矩陣的解碼結(jié)果對比方案，基于區(qū)分性訓(xùn)練系統(tǒng)及其基線系統(tǒng)的混淆矩陣，發(fā)現(xiàn)和總結(jié)了蒙古語音子在語音識別過程中的元音和輔音之間很少發(fā)生誤識現(xiàn)象、弱短元音是元音與輔音相互誤識情況中的主要的元音音素、容易相互誤識的輔音只有有限的若干對等誤識規(guī)律。實驗結(jié)果表明，各種準(zhǔn)則的區(qū)分性訓(xùn)練均能使蒙古語語音識別系統(tǒng)的識別率得到較大幅度的提高，區(qū)分性訓(xùn)練系統(tǒng)的詞準(zhǔn)確率的提升幅度最高達(dá)到了6

8、.44個百分點。
　　4.蒙古語聲學(xué)模型自適應(yīng)訓(xùn)練
　　同樣在模型參數(shù)估計方面，針對基于眾多說話人語料創(chuàng)建的蒙古語非特定人語音識別系統(tǒng)在交付給特定說話人使用時識別率不理想的情形，本文將通過重估模型參數(shù)使系統(tǒng)聲學(xué)模型更具特定說話人特征的說話人自適應(yīng)技術(shù)首次應(yīng)用在蒙古語語音識別領(lǐng)域中。具體地，在設(shè)計應(yīng)用方案并解決回歸類樹葉子結(jié)點數(shù)的設(shè)置等若干技術(shù)問題的基礎(chǔ)上，將最大似然線性回歸類算法和最大后驗概率類算法系統(tǒng)地應(yīng)用在蒙古語聲學(xué)建模

9、任務(wù)中。此外，本文還探索了說話人自適應(yīng)技術(shù)的更深層次的用途:對說話人自適應(yīng)算法以及它們的有效組合在蒙古語聲學(xué)建模過程中的性別自適應(yīng)效果進(jìn)行了實驗驗證，并在利用說話人自適應(yīng)算法進(jìn)行蒙古語方言土語的自適應(yīng)方面做了一些探索性的工作。實驗結(jié)果表明，各種參數(shù)變換的說話人自適應(yīng)算法均能使蒙古語語音識別系統(tǒng)的識別率得到較大幅度的提高，它們帶來的詞準(zhǔn)確率的提升幅度最高達(dá)到了32.75個百分點;說話人自適應(yīng)技術(shù)在蒙古語聲學(xué)建模中具有很好的性別自適應(yīng)效果，