極小化標(biāo)注的音頻分類和句子切分的研究.pdf

1、語(yǔ)音庫(kù)的自動(dòng)建設(shè)在可訓(xùn)練的語(yǔ)音合成中占有很重要的地位,它要求對(duì)輸入的音頻進(jìn)行類別的區(qū)分來(lái)進(jìn)行不同的處理,并將處理后的音頻分割為句子作為后續(xù)的音段切分系統(tǒng)的輸入。音頻分類和句子切分技術(shù)是解決這一問(wèn)題的關(guān)鍵。此外,已有的音頻分類和句子切分技術(shù)都需要大量的人工標(biāo)注數(shù)據(jù)來(lái)訓(xùn)練模型和測(cè)試分類結(jié)果,但人工標(biāo)注費(fèi)時(shí)費(fèi)力,很大程度上增加了系統(tǒng)構(gòu)建的成本。在這種背景下,極小化標(biāo)注的音頻分類和句子切分的研究有很高的理論研究及使用價(jià)值。對(duì)此,本論文在基于內(nèi)容

2、的音頻分類和不依賴語(yǔ)音識(shí)別的句子切分方面,包括特征選擇、極小化標(biāo)注、關(guān)鍵技術(shù)改進(jìn)以及相關(guān)技術(shù)應(yīng)用,進(jìn)行了深入而系統(tǒng)的研究,本論文具體的研究工作和研究成果如下。
　　 1)深入分析了音頻信息的主要來(lái)源和音頻的語(yǔ)義內(nèi)容,根據(jù)所采用的新聞朗讀音頻的特點(diǎn),將音頻分為:純語(yǔ)音,純音樂(lè)和音樂(lè)和語(yǔ)音的混合三類。從幀層次上和段層次上深入研究了不同類別音頻之間的區(qū)別性特征,除了頻域能量、過(guò)零率、MFCC參數(shù)等基礎(chǔ)特征,還采用了新的特征:靜音比率、

3、High-ZCR比率和Low frequency energy比率。本文的一個(gè)創(chuàng)新點(diǎn)是,通過(guò)深入分析協(xié)同訓(xùn)練算法co-training在極小化標(biāo)注數(shù)據(jù)量并保證分類精度方面的優(yōu)勢(shì),采用基于最大熵分類的co-training算法進(jìn)行音頻分類。通過(guò)實(shí)驗(yàn)證明了co-training在音頻分類上的性能。
　　 2)為實(shí)現(xiàn)極小化標(biāo)注,深入研究了基于最大熵(Maxent)分類的協(xié)同訓(xùn)練算法co-training。Co-trainig是實(shí)現(xiàn)極小

4、化標(biāo)注的核心,通過(guò)研究比較了不同參數(shù)設(shè)置對(duì)分類精度的影響,綜合時(shí)間代價(jià)及計(jì)算代價(jià)進(jìn)行分析,確定了性能最優(yōu)的一組參數(shù)。同時(shí),針對(duì)音頻分類和句子切分的數(shù)值分類方式,對(duì)Maxent分類器的分類方式進(jìn)行調(diào)整。通過(guò)實(shí)驗(yàn)證明了co-training算法在極小化可用的人工標(biāo)注數(shù)據(jù)量和二元分類方面的性能,為極小化標(biāo)注的音頻分類和句子切分的實(shí)現(xiàn)提供了堅(jiān)實(shí)的基礎(chǔ)。
　　 3)通過(guò)對(duì)依賴語(yǔ)音識(shí)別的句子切分方法的缺點(diǎn)的分析,深入研究韻律特征對(duì)句子切分的

5、重要作用,據(jù)此對(duì)音頻進(jìn)行幀水平上的元音/輔音/停頓的分類,并采用了韻律特征、停頓特征和語(yǔ)速兩個(gè)特征集,對(duì)音頻進(jìn)行基于語(yǔ)義的句子切分。為了實(shí)現(xiàn)句子切分的無(wú)標(biāo)注特性,引入一種基于強(qiáng)制對(duì)齊和語(yǔ)音識(shí)別的帶有檢錯(cuò)機(jī)制的標(biāo)注數(shù)據(jù)生成方法用于自動(dòng)提供標(biāo)注數(shù)據(jù),并采用基于最大熵分類的co-training算法,解決了標(biāo)注數(shù)據(jù)不足對(duì)分類精度的影響,實(shí)現(xiàn)了無(wú)標(biāo)注的不依賴識(shí)別的句子邊界探測(cè)。最后,針對(duì)無(wú)法確定探測(cè)出的句子邊界是否為真正的邊界的問(wèn)題,提出一種檢