基于實(shí)際環(huán)境下的語(yǔ)音識(shí)別前端預(yù)處理算法研究.pdf

1、語(yǔ)音信號(hào)處理經(jīng)過(guò)半個(gè)世紀(jì)的發(fā)展，已經(jīng)開始逐步從實(shí)驗(yàn)室環(huán)境轉(zhuǎn)向?qū)嶋H環(huán)境中的應(yīng)用。尤其是近兩年，各種語(yǔ)音相關(guān)產(chǎn)品在移動(dòng)終端中的廣泛應(yīng)用更是讓我們意識(shí)到了語(yǔ)音信號(hào)處理尤其是語(yǔ)音識(shí)別系統(tǒng)在未來(lái)人機(jī)交互中的巨大潛力。與此同時(shí)，語(yǔ)音自身攜帶豐富的信息，對(duì)于發(fā)現(xiàn)非法個(gè)人或組織的活動(dòng)，獲取有價(jià)值的政治、經(jīng)濟(jì)、軍事、外交情報(bào)，維護(hù)國(guó)家和地區(qū)的安全穩(wěn)定具有重大的意義。然而，實(shí)際環(huán)境中出現(xiàn)的各種干擾因素卻限制著語(yǔ)音處理引擎的進(jìn)一步發(fā)展。因此，本文針對(duì)實(shí)際環(huán)境

2、中的各種加性噪聲和卷積噪聲，從語(yǔ)音端點(diǎn)檢測(cè)和混響信號(hào)消除等兩個(gè)方面出發(fā)來(lái)達(dá)到還原干凈語(yǔ)音的目的，為語(yǔ)音識(shí)別引擎在軍事、人機(jī)交互等各個(gè)領(lǐng)域的應(yīng)用提供保障。內(nèi)容包括以下六點(diǎn)：
　　(1)依據(jù)背景噪聲與語(yǔ)音信號(hào)在特征上的差異，以及不同信噪比下背景噪聲與語(yǔ)音信號(hào)區(qū)分度的差異，采用隱馬爾科夫-高斯混合模型(HMM-GMM)提出了基于音素識(shí)別的語(yǔ)音端點(diǎn)檢測(cè)算法。該方法的主旨思想就是將不同信噪比下的背景噪聲假定為一個(gè)個(gè)獨(dú)立的音素，與漢語(yǔ)中的其他

3、音素分別建立高斯混合模型(GMM)，以最大似然方法為準(zhǔn)則，結(jié)合HMM-GMM模型，采用Baum-Welch算法對(duì)各個(gè)音素進(jìn)行訓(xùn)練。在應(yīng)用階段，首先利用噪聲估計(jì)算法對(duì)觀測(cè)語(yǔ)音進(jìn)行噪聲能量估計(jì)，然后根據(jù)估計(jì)的噪聲能量選取合適的GMM模型，最后采用Viterbi算法尋找出模型的最大似然，從而區(qū)分出觀測(cè)信號(hào)的語(yǔ)音段和非語(yǔ)音段。
　　(2)考慮到基于HMM-GMM模型的語(yǔ)音端點(diǎn)檢測(cè)算法存在著所需訓(xùn)練語(yǔ)料大、GMM階數(shù)高的特點(diǎn)，提出了改進(jìn)型多

4、觀測(cè)似然比測(cè)試(MOLRT)的語(yǔ)音端點(diǎn)檢測(cè)方法。相對(duì)于傳統(tǒng)的MOLRT算法，此改進(jìn)算法存在如下三個(gè)不同點(diǎn)。首先，提出將無(wú)偏噪聲估計(jì)算法用于背景噪聲環(huán)境下的先驗(yàn)信噪比和后驗(yàn)信噪比估計(jì)。其次，提出了基于雙閾值的判別方法，這是因?yàn)榛陔p閾值的端點(diǎn)檢測(cè)方法可以根據(jù)兩次判別來(lái)提高區(qū)分精度。最后也是最為重要的一點(diǎn)，我們根據(jù)當(dāng)前幀各個(gè)頻段的噪聲功率譜對(duì)當(dāng)前幀的閾值進(jìn)行實(shí)時(shí)更新，從而使得我們提出的算法相對(duì)于傳統(tǒng)的算法具有更好的魯棒性。在閾值的更新中，這

5、些不同頻段的噪聲功率譜是通過(guò)最小統(tǒng)計(jì)量算法估計(jì)得到。緊接著，提出了基于語(yǔ)音增強(qiáng)的語(yǔ)音端點(diǎn)檢測(cè)算法。該算法考慮到強(qiáng)信噪比的基礎(chǔ)上，端點(diǎn)檢測(cè)的精度明顯優(yōu)于低信噪比的環(huán)境，因此在上述基于多觀測(cè)似然比測(cè)試的端點(diǎn)檢測(cè)前，首先采用維納濾波器對(duì)觀測(cè)到的語(yǔ)音信號(hào)進(jìn)行濾波，再對(duì)降噪后的觀測(cè)信號(hào)進(jìn)行語(yǔ)音端點(diǎn)檢測(cè)，從而得到更好的檢測(cè)結(jié)果。
　　(3)提出了基于后期混響譜方差(LRSV)估計(jì)器的去混響算法?；祉懶盘?hào)主要產(chǎn)生于密閉環(huán)境下麥克風(fēng)所捕捉到的墻壁

6、反射信號(hào)。本文所處理的混響信號(hào)來(lái)自于單麥克風(fēng)，并且假設(shè)說(shuō)話人與麥克風(fēng)的距離隨時(shí)可變。在該算法中，室內(nèi)脈沖響應(yīng)(RIR)通過(guò)一個(gè)滿足高斯分布的隨機(jī)變量和一個(gè)衰減因子進(jìn)行建模。為了得到合理的并且具有更加魯棒性的LRSV估計(jì)器，背景噪聲被分割成直接噪聲部分和混響噪聲部分，從而推導(dǎo)出了帶噪混響信號(hào)下的后期混響譜方差估計(jì)器，并由此建立起后期混響與觀測(cè)信號(hào)的直接關(guān)系模型。
　　(4)提出了基于多后期混響信號(hào)的參數(shù)估計(jì)算法。上述的LRSV估計(jì)器

7、中，參數(shù)κm的精確度直接影響著后期混響的抑制。因此，我們對(duì)現(xiàn)有LRSV估計(jì)器中的參數(shù)估計(jì)算法進(jìn)行改進(jìn)，不僅引入觀測(cè)信號(hào)方差，而且利用迭代公式，將已估計(jì)的多幀后期混響譜方差引入到當(dāng)前幀的參數(shù)估計(jì)中，從而得到更加平滑的估計(jì)參數(shù)。
　　(5)提出了LRSV估計(jì)器和最大似然的聯(lián)合算法。考慮到在上述第四點(diǎn)中參數(shù)κm的精確度取決于前幾幀的后期混響，而該參數(shù)又將應(yīng)用于當(dāng)前幀的LRSV估計(jì)中，可想而知，其中的估計(jì)誤差在可控范圍內(nèi)將不可避免的產(chǎn)生逐

8、級(jí)放大。因此，我們?cè)诨谏鲜龉烙?jì)器得到每一幀LRSV后，結(jié)合最大似然算法對(duì)該LRSV進(jìn)行矯正，以期得到更好的去混響效果。
　　(6)將上述的所提出的一些理論算法應(yīng)用于實(shí)際的項(xiàng)目--語(yǔ)音技術(shù)研究開發(fā)項(xiàng)目和基于實(shí)際環(huán)境下的語(yǔ)音信號(hào)處理技術(shù)項(xiàng)目。在基于實(shí)際環(huán)境下的語(yǔ)音信號(hào)處理技術(shù)項(xiàng)目中，我們具體分析了不同參數(shù)與閾值對(duì)VAD的影響，并得到一些合理取值范圍。同時(shí)，將提出的LRSV估計(jì)器應(yīng)用于混響環(huán)境下，得到了較好的效果。而在語(yǔ)音技術(shù)研究開發(fā)

9、項(xiàng)目中，我們用所提出的VAD算法得到了語(yǔ)音命令和噪聲的有效分離，并考慮航空語(yǔ)料中存在大量呼吸聲的問(wèn)題提出了進(jìn)一步的處理方案。
　　本論文中提出各種算法研究都是圍繞著實(shí)際的項(xiàng)目展開，如基于實(shí)際環(huán)境下的語(yǔ)音信號(hào)處理技術(shù)項(xiàng)目作為語(yǔ)音信號(hào)處理在互聯(lián)網(wǎng)搜索中的應(yīng)用使得所提出的算法具有一定的普適性；而語(yǔ)音技術(shù)研究開發(fā)項(xiàng)目針對(duì)語(yǔ)音識(shí)別在航空系統(tǒng)中的應(yīng)用又具有特殊性。因此，將所提出的算法較好的應(yīng)用在上述兩個(gè)項(xiàng)目中充分說(shuō)明了這些算法在實(shí)際環(huán)境的應(yīng)用