孤立詞識別中的說話人歸一化技術.pdf

1、隨著語音識別技術研究的突破，其對計算機發(fā)展和社會生活的重要性日益凸現(xiàn)出來。語音識別技術開發(fā)的產(chǎn)品，應用領域非常廣泛，幾乎深入到了社會的各個行業(yè)、各個方面。對于應用十分廣泛的孤立詞語音識別系統(tǒng)，怎樣更通用，快速地適應各類人群的語音識別系統(tǒng)成為語音識別的研究關鍵。 九十年代以來，大規(guī)模詞匯的特定人的連續(xù)語音識別取得了很大進展，但對非特定人情況，識別性能急劇下降。主要問題是由于非特定人之間的差異造成的。說話人語音的差異，主要來源于說話

2、人的發(fā)音生理結構的差異。 但是盡管說話人的差異很大，人卻可以很輕松的理解不同口音和性別的各種人的語音。這就說明人的大腦可以進行一些歸一化過程，去除語音個性化的特征。說話人歸一化技術的思想就是源于人的識別過程，說話人歸一化目的是建立一個歸一化的說話人空間，使得任何人的語音可以映射其中。 在語音識別系統(tǒng)中，大多前期處理提取的都是聲道參數(shù)，因此對說話人的歸一化主要集中于歸一化說話人聲道長度的差異。一般而言，精確的歸一化函數(shù)是保

3、證歸一化效果的前提，但過于復雜的方法，計算量就大，對實際應用場合是不適用的。因此為了簡化處理，常采用統(tǒng)一的歸一化函數(shù)來進行處理，但這種方法與實際語音統(tǒng)計結果并不相符。因此本文提出用說話人轉換中的動態(tài)頻率規(guī)整的方法實現(xiàn)說話人語音的歸一化，這種方法避免了單一的歸一化函數(shù)的處理，實驗證明這種方法能有效地提高孤立詞識別系統(tǒng)的識別率。 另一方面，以往的說話人歸一化技術關注于對聲道響應的差異的歸一化，但近期的研究證明，聲門共鳴也同樣影響著說

4、話人的頻譜特性。因此本文進一步提取魯棒性能和抗噪性能優(yōu)于MFCC參數(shù)的感知最小方差無失真參數(shù)(PMVDR)來進行說話人歸一化，同時為了能夠對不同說話人進行更準確更快速地感知折疊變換，本文提出采用基于下聲門／聲道非線性耦合作用的第二聲門共鳴頻率來估算感知折疊因子，與采用第三共振峰的估算方法比較，它能濾除語義信息的影響，更好地體現(xiàn)說話人的個性特征。具體應用時，本文首先提取語音的MVDR頻譜包絡求出第二聲門共鳴頻率，并由此估算感知折疊因子，然