基于HMM的語音標引系統(tǒng)開發(fā).pdf

1、語音是人類重要的、有效的和常用的通信形式，這就很容易讓人想到能否用自然語言代替?zhèn)鹘y(tǒng)的人機交流方式如鍵盤、鼠標等。隨著現(xiàn)代科學和計算機技術、模式識別和信號處理技術的發(fā)展，使得能滿足各種需要的語音識別系統(tǒng)的實現(xiàn)成為可能。本文開發(fā)一個實用的語音識別標引系統(tǒng)，以解決電視臺媒體內(nèi)容管理中資料的錄入問題。 本文首先闡述了語音的端點檢測，給出了常用時域特征及系統(tǒng)所采用的相關法檢測，提出了基于動態(tài)始端的連續(xù)語音端點檢測方法。在特征提取上，采用了

2、美爾倒譜作為特征參數(shù)，給出了系統(tǒng)的頻帶劃分，并對提高語音動態(tài)特性的能力做了分析。接著詳細地論述了在語音識別建模中廣泛采用的隱馬爾可夫模型的理論和建模方法，模型的三個主要問題及連續(xù)隱馬爾可夫模型原理和隱馬爾可夫模型的種類，并對多元混合高斯模型的逼近能力做了仿真。 在理論的基礎上，闡述了本系統(tǒng)的訓練和識別算法。系統(tǒng)采用了分段K均值訓練算法，給出了初值的選取方法，K均值算法及其聚類效果，比較了不同初值對其影響，對分段k均值的似然重估算

3、法做了仿真，并對算法中產(chǎn)生的空組問題提出了解決方案。針對本特定系統(tǒng)，提出了狀態(tài)級的共享訓練算法。在識別上，首先給出了識別的語言模型，分析了分層構筑算法和幀同步viterbi算法，將模型的段長概率用做識別的后處理并提出了懲罰性計算和余弦函數(shù)加權，使段長概率真正的反應了其段長特性，提高了識別率。為了實現(xiàn)本系統(tǒng)的實時響應，一方面簡化了對連續(xù)隱馬爾可夫模型的高斯觀察概率的計算，避免了指數(shù)和對數(shù)的運算，另一方面提出了以連續(xù)雙緩沖為結構，高斯概率首

4、先計算的實時計算方法，借助Windows低層音頻技術實現(xiàn)了語音的輸入和識別同時進行，使系統(tǒng)達到了實用的要求。在對非語音的據(jù)識上也給出了自己的方法。 最后，給出了標引系統(tǒng)的具體實現(xiàn)。以客戶機服務器模式為架構，系統(tǒng)采用了Windows低層音頻輸入技術、用于數(shù)據(jù)存儲和傳輸?shù)腦ML語言及其與高級語言接口DOM技術和數(shù)據(jù)庫連接技術。在具體的訓練和識別上，給出了具體的參數(shù)設置、空間分配、軟件結構和實現(xiàn)過程。為了方便標引人員使用，系統(tǒng)擁有友好