基于人類感知特性的自動(dòng)語音分割方法的研究.pdf

1、隨著語音技術(shù)的發(fā)展,越來越多的語音處理應(yīng)用對語音分割的精度提出了很高的要求。傳統(tǒng)意義上,經(jīng)過訓(xùn)練的人工標(biāo)注被認(rèn)為是最可靠和精確的語音分割方法。但是,當(dāng)所需語料庫規(guī)模很大時(shí),人工標(biāo)注成為一件費(fèi)時(shí)費(fèi)力的事情。因此,考慮合適的自動(dòng)語音分割方法是很有必要的。
　　目前,很多自動(dòng)語音分割方法都是基于隱馬爾科夫模型的,通過維特比算法進(jìn)行解碼并得到音素邊界。但是,這些音素邊界與人感知的音素邊界在很大程度上存在差異,使自動(dòng)語音分割的精度存在質(zhì)疑。

2、
　　此研宄的目標(biāo)是嘗試使用基于人類感知特性的譜目標(biāo)預(yù)測模型(由Masato Akagi提出)解決此精度問題?；舅枷胧窃谝粋€(gè)短間隔(50毫秒)中預(yù)測在人感知中的譜目標(biāo),再選擇譜目標(biāo)變化的時(shí)間點(diǎn)作為音素邊界。通過實(shí)驗(yàn)發(fā)現(xiàn),譜目標(biāo)預(yù)測模型能夠得到音素邊界的候選點(diǎn),但是候選點(diǎn)數(shù)目太多,如何選擇恰當(dāng)?shù)暮蜻x點(diǎn)成為一個(gè)難題。因此,此研宄提出將隱馬爾科夫模型和譜目標(biāo)預(yù)測模型相結(jié)合的方法。首先通過隱馬爾科夫模型得到相對不精確的音素邊界,同時(shí),根

3、據(jù)訓(xùn)練數(shù)據(jù)得到一個(gè)誤差列表文件,記錄所有在訓(xùn)練數(shù)據(jù)中出現(xiàn)過的邊界的前后音素以及其平均誤差、最大誤差和最小誤差。這些誤差都是以更為精確的人工標(biāo)注為基準(zhǔn)的。再以通過隱馬爾科夫模型得到的音素邊界為參照點(diǎn),基于誤差列表文件中的不同平均誤差,選擇不同的方法在所有通過譜目標(biāo)預(yù)測模型得到的候選點(diǎn)中選擇更精確的音素邊界。
　　通過在TIMIT數(shù)據(jù)庫上的實(shí)驗(yàn),在通用的20毫秒誤差(與人工標(biāo)注相比)自動(dòng)分割邊界所占百分比的客觀評價(jià)標(biāo)準(zhǔn)下,此研宄的方法