汉语数码语音识别 (mandarin digit speech recognition, MDSR) 是语音识别领域中一个具有广泛应用背景的分支，它的任务是识别“0”到“9”等10个非特定人汉语数码语音，在电话语音拨号、工业监控、家电遥控等领域有着极大的应用价值［1］。但与英语数码语音识别相比， MDSR的性能尚未达到成熟应用水平，这是因为 1) 汉语数码语音的混淆程度较高； 2) 汉语是一个多方言语种，说话人会带有或多或少的地方口音； 3) 在许多应用背景中，MDSR需要在运算和存储资源都较为紧张的数字信号处理器(digital signal processor, DSP)系统上实现，这为MDSR算法的设计带来了很大的限制。由于以上原因，MDSR是一项相当困难的任务。
针对汉语数码语音识别提出了一系列高性能的算法，使MDSR识别率达到了98.8%。由这些算法构成的识别系统框图如图1所示。
MDSR系统［1］提取的语音特征参数包括用于识别的参数和用于端点检测的参数。
图1 MDSR系统框图
1 语音前端处理
语音前端处理包括语音特征提取和端点检测两部分。
1.1 语音特征提取
1.1.1 基本识别参数
目前常用的语音识别参数有基于线性预测编码(LPC)的线性预测倒谱系数(LPCC)和基于Mel频标的倒谱系数(MFCC)［2］。实验证明，采用MFCC参数时系统识别率高于采用LPCC参数。因此本文的基本识别参数采用MFCC参数及一阶差分MFCC参数。
1.1.2 共振峰轨迹
在MDSR中，易混淆语音“2”和“8”可以由其第2，3共振峰的变化趋势区分开［3］。因此可将共振峰轨迹作为识别参数之一，并选用峰值选取算法来提取共振峰轨迹［3］。
1.1.3 鼻音特征参数
汉语数码语音中，“0”的元音具有鼻音的特征，而“0”容易与具有非鼻化元音的“6”混淆，因此鼻音特征可用于提高“0”的识别率。鼻音的特征包括［4］：
1) 鼻音在频谱低端(约0.25kHz左右)有1个较强的共振峰。
2) 鼻音在中频段(约0.8～2.3kHz)的能量分布较为均匀，没有明显的峰或谷。
采用以下2个参数表征鼻音的特征：
1) 低频能量比：
 (1)
其中fn为鼻音低频共振峰频率， B为鼻音低频共振峰带宽。Fk为对语音作快速Fourior变换(FFT)后第k个频率点的能量， ［f1，f2］则为语音“6”能量集中的频带。
2) 频谱质心：
 (2)
其中［fL,fH］为0.8～2.3kHz的中频段。由于MDSR系统采用的基本识别参数为MFCC参数，其计算过程中需要作FFT，所以低频能量比和频谱质心两个参数可以顺带算出，不会影响特征提取的实时完成。
1.2 端点检测
本文提出了基于语音特征的实时端点检测算法(feature-based real-time endpoint detection, FRED)，充分利用汉语数码语音的特点，在实时提取特征参数后完成端点检测，检测到的端点只精确到帧的量级。
根据语音学知识［4］， MDSR中各类语音的频谱特点如表1
表1 汉语数码语音频谱特点
| |
频 谱 特 征 |
| 浊 音 |
元 音 |
低频(0.1至0.4kHz间)能量较高； 中频(0.64至2.8kHz)能量较高 |
| 浊辅音 |
低频(0.1至0.4kHz间)能量较高； 中频(0.64至2.8kHz)能量较低 |
| 清辅音 |
|
高频(3.5kHz以上)能量较高 |
采用3个频谱能量分布参数｛R1，R2，R3｝分别反应频谱高频、低频和中频的分布特征。其定义如下：
 (3)
 (4)
其中： i表示第i帧， N为语音帧长，也即FFT点数， Fk为对语音帧作FFT后各频率点能量， T为语音的总帧数，式(3)，(4) 中求和号的上下限由表1中相应频率范围确定，当N为256，采样频率为实验所用语音库的11kHz时， f0＝81， f1＝9， f2 ＝2， f3＝65， f4＝15.由于进行了能量归一化，所以上述特征与语音的强度是无关的。由于计算MFCC参数时需要作FFT，因此频谱能量分布参数可以顺带算出。此外，用于端点检测的参数还包括短时能量参数E0(i)［5］.
由以上参数， FRED算法过程为：
1) 根据采入信号首尾两帧确定能量阈值；
2) 根据参数R2确定语音浊音段；
3) 根据参数R1与E0向浊音段两端扩展式搜索语音起始帧；
4) 根据参数R3确定元音段。
FRED算法的特点是：
1) 利用了语音的本质特征进行端点检测，能够很好地适应环境的变化和干扰，实验证明FRED算法可以有效地提高识别率； 2) 将语音端点定在帧的量级上，保证了特征参数在采样时实时提取，节省了系统运行时间，大大减少了系统所需的存储量； 3) 能够准确地确定语音的元音段，从而将辅音与元音分割开，有利于对语音局部特征的辨识。
2 识别算法
实验表明， MDSR的识别错误集中在少数几对易混语音中［1］，因此本文采用了两极识别框架，即第一级完成对识别结果的初步确定，第二级完成对易混淆语音的进一步辨识。
2.1 第一级识别
在第一级识别中采用的基本方法为离散隐含Malkov模型(DHMM)算法［5］，用Viterbi算法［5］计算各个数码语音模型产生采入语音的概率Pr。
由于HMM是一个有人为假设的模型，所以有不可避免的缺陷。其中一个缺陷是在HMM中各状态的持续时间呈几何分布，即
P(Li=n)=anii(1-aii)， (5)
其中： Li为状态i的持续时间， aii为状态i跳转回自身的概率。按照式(5)，状态持续时间越长，其概率越小，这是不符合实际情况的。用Γ分布来描述状态持续时间［5］，即
 (6)
其中αi和βi为Γ分布的参数， Fi为归一化因子参数，以上各参数在训练时由训练语音样本估计出。在识别时，用Viterbi算法获得的最佳状态路径中各状态持续时间的概率对Pr作修正：
 (7)
其中： λ为加权系数， S为状态数。识别结果则由修正后的概率P′r获得。实验证明，用状态持续时间分布对Pr进行修正所得的识别性能有明显的提高。
2.2 第二级识别
对第一级识别的错误作分析，我们发现大部分错误都集中在少数几对易混语音中。表2列出了识别错误最多的6对语音(其中“1”念为［yao］)占所有错误的百分比及其区分特征。可见这6对语音占所有错误的91%，所以如果能够在第二级识别中对这几对语音作进一步的辩识，整个MDSR系统的性能会有很大的提高。
表2 易混语音错误百分比及其区分特征 |
| 易混语音 |
占识别错误百分比/% |
区分特征 |
| “2”“8” |
45 |
共振峰轨迹变化趋势 |
| “1”“9” |
12 |
不同的辅音 |
| “1”“6” |
11 |
不同的辅音 |
| “0”“6” |
11 |
鼻音特征的有无 |
| “3”“4” |
8 |
不同的元音 |
| “6”“9” |
4 |
辅音的清浊性 |
由表2可见，易混语音“2”“8”， “0”“6”， “6”“9”可以用表征其区分特征的参数，根据一定的规则进行判决，而“1”“9”， “1”“6”， “3”“4”则可以利用端点检测中元、辅音分割的结果，训练元音部分和辅音部分的HMM参数，在识别时针对相应部分再作一次局部HMM识别。表3列出了各对易混语音第二级识别的方法。
表3 第二级识别方法 |
| 易混语音 |
第二级识别方法 |
规则判决的特征参数或
局部HMM的辨识部位 |
| “2”“8” |
规则判决 |
共振峰轨迹 |
| “1”“9” |
局部HMM辨识 |
辅音 |
| “1”“6” |
局部HMM辨识 |
辅音 |
| “0”“6” |
规则判决 |
鼻音特征 |
| “3”“4” |
局部HMM辨识 |
元音 |
| “6”“9” |
规则判决 |
频谱分布参数R1 |
|
3 实验结果
实验使用了一个包含160人从“0”到“9”的各一遍发音的语音库来测试系统的性能，库中语音采样率为11kHz，量化精度为16bit线性量化，录音背景为普通办公室环境。
首先测试了特征参数采用LPCC参数，端点检测采用快速端点检测算法［6］，只用Viterbi算法进行一级识别时的基本结果，然后测试了逐个加入本文所提出的各种方法后的识别率，结果如表4。可见，所采用的每一种方法都使系统性能较之于基本系统有了显著的提高，最后达到98.8%的识别率。
表4 算法性能比较 |
| 采用的算法 |
识别率/% |
| 基本结果 |
91.1 |
| 采用MFCC参数 |
92.9 |
| FRED算法 |
95.4 |
| 状态持续时间分布 |
96.0 |
| 第二级识别 |
98.8 |
4 结 论
采用了一系列算法，有效地提高了MDSR系统的识别率，实现了一个高性能的MDSR系统，其特点为：
1) 采用了两极识别框架，增强了对易混语音的区分能力。
2) 充分利用针对汉语数码语音的语音学知识，提高了端点检测的抗干扰能力，提取了用于区分易混语音的共振峰轨迹、鼻音特征等声学特征，进一步提高了系统识别率。
3) 各算法所需的运算量和存储量都较小，有利于MDSR在DSP系统上的实现。■
基金项目：国家自然科学基金项目(69772020)和国家“八六三”高技术项目(863-512-9805-10)
作者简介：李虎生 (1975-)， 男(汉)， 四川， 硕士研究生
作者单位：李虎生(清华大学，电子工程系，北京，100084)
刘加(清华大学，电子工程系，北京，100084)
刘润生(清华大学，电子工程系，北京，100084)
参考文献：
［1］顾良， 刘润生. 汉语数码语音识别： 困难分析与方法比较 ［J］. 电路与系统学报， 1997， 2 (4)： 32－39.
Gu Liang, Liu Runsheng. Mandarin digit speech recognition： state of the art, difficult points analysis and methods comparison ［J］. J of Circuits and Systems, 1997, 2(4)： 32－39. (in Chinese)
［2］Davis S B, Mermelstein P. Comparison of parametric representations for monosyllabic word recognition in continuously spoken sentences ［J］. IEEE Trans, on Speech and Audio Signal Processing, 1980, 28 (4)： 357－366.
［3］李虎生， 杨明杰， 刘润生. 用共振峰轨迹提高汉语数码语音识别性能 ［J］. 清华大学学报， 1999， 39(9).
Li Husheng, Yang Mingjie, Liu Runsheng. Use formant trajectory to improve the performance of mandarin digit speech recognition ［J］. J of Tsinghua University, 1999, 39(9)： 69－71. (in Chinese)
［4］吴宗济， 林茂灿. 实验语音学教程 ［M］. 北京： 高等教育出版社， 1989.
Wu Zongji, Lin Maocan. Tutorial on Experimental Phonetics ［M］. Beijing： Higher Education Press, 1989. (in Chinese)
［5］杨行峻， 迟惠生. 语音信号数字处理 ［M］. 北京： 电子工业出版社， 1995.
Yang Xingjun, Chi Huisheng. Digit Speech Signal Processing ［M］. Beijing： Publishing House of Electronic Industry, 1995. (in Chinese)
［6］顾良. 汉语数码语音识别方法研究及DSP系统设计 ［D］. 北京： 清华大学， 1997.
Gu Liang. Research on Methodologies for Mandarin Digit Speech Recognition and Design of its DSP System ［D］. Beijing： Tsinghua University, 1997. (in Chinese |
|
