[發明專利]對噪聲相對健全的語音識別系統和方法

無效

• 申請號: 00802564.9
• 申請日: 2000-01-03
• 公開（公告）號: CN1335978A
• 公開（公告）日: 2002-02-13
• 發明（設計）人: 阿多姆·艾瑞爾
• 申請（專利權）人: D．S．P．C．科技有限公司
• 主分類號: G10L15/20
• 分類號: G10L15/20;G10L15/12
• 代理公司: 北京康信知識產權代理有限責任公司
• 代理人: 吳磊

發明領域

本發明一般涉及到語音識別，特別涉及到在噪聲環境中的特定說話人識別技術。

發明背景

噪聲環境中的語音識別是一個經長期研究仍有待解決的任務。這種任務的特征是以下參數：

1.識別是因人而異的，由用戶在一個指定的“訓練對話”中講話的說話語調產生參考模板；

2.希望將訓練語調的數量減少到最小數量(1-3)，在現有技術中，這樣能使動態時間彎曲(DTW)匹配算法比隱藏馬爾可夫模型(HMM)算法更加有效：

3.要識別的短語是單字；

4.訓練階段是相對低噪聲的，而識別中需要應付附加的環境噪聲；

5.在用戶按下講話(PTT)按鈕開始講話的瞬時之前，環境噪聲對于系統是未知的；

6.環境噪聲同時具有穩態和非穩態成分；以及

7.系統只有有限的快速存取存儲器，不可能以實時和字識別的方式針對所有參考模板運行DTW匹配算法。因而就需要兩階段處理，第一階段是聲音活動檢測器(VAD)，而第二階段是一個DTW匹配器。

在識別階段由噪聲帶來的主要困難有兩個：

1.訓練和識別階段之間在聲學上失配；以及

2.在識別階段中，VAD估算的字終結點不準確。

這兩個問題會導致識別誤差。

在現有技術中有許多針對聲學失配問題的技術。值得一提的是Jean-ClaudeJunqua和Jean-Paul?Haton的Robustness?in?Automatic?SpeechRecognition，Kluwer?Academic?Publishers，1996。Erell等人的美國專利US5,778,342提供了一種技術。

現有技術很少涉及到終結點不準確的問題。一種解決方案是采取不嚴格終結點DTW的形式，可參見下文：

Lawrence?Rabiner和Biing-Hwang?Juang的Fundamentals?of?SpeechRecognition，Prentice?Hall，1993；

Ilan?D.Shallom，Raziel?Haimi-Cohen和Tal?Golan的“Dynamic?TimeWarping?with?Boundaries?Constraint?Relaxation”，IEEE?Conference?inIsrael，1989，pagesl-4；以及

Nakadai等人的美國專利US5,732,394。

在普通DTW中，從講話開始到終結點的頻譜參數序列被當作輸入語言模式來存儲。DTW運算用未知的語言模式與每個參考模板相匹配，并且計算二者之間的距離值。這是用圖1A的曲線來執行的，可作為簡要的參考。輸入語言模式的各幀被放在X軸上，而現行參考模式的各幀被放在Y軸上。通過曲線做一條從左下角起始到右上角終結的路徑，將這些角定義為測試和參考語調的終結點。

然而，在參照圖1B所示的不嚴格終結點解決方案中，DTW路徑不僅限于起始或終結于測試和參考語調的嚴格的終結點。而是這一路徑可以在這些角的一個給定范圍(delta和Qmax_delta)內起始和終結。這種方法真正消除了終結點不準確造成的一些誤差。

然而，不嚴格終結點解決方案存在幾個缺點。作為簡要參考的圖2表示了缺點之一：如果有兩個詞匯字，且一個字和第二個字的一部分相似(用圖中標有“匹配”的一段來表示)，識別系統就可能錯誤地指示第一(較長)字的語調和第二(較短)字的參考模板匹配。

不嚴格終結點方法的其他缺點有別于具體的方法。例如，在Shallom的文章中，需要用路徑長度對DTW柵格也就是DTW累計得分上的每一點進行規范化，因為這種不嚴格的起始點允許有多個不同長度的路徑。長度規范化會帶來標準DTW中不存在的極大的計算量。另外，由于規范化，用于最佳匹配路徑的標準DTW解決方案實際上并不是最佳的。例如在美國專利US5,732,394中計算量就很大，因為對每一對測試和參考模式而不只一個都要執行若干次DTW匹配運算。

在以下文章中給出了對不嚴格終結點問題的其他解決方案：

Tom?Claes和Dirk?Van?Compemolle的“SNR-Normalization?for?RobustSpeech?Recognition”，ICASSP96，1996，pages331-334；