[發(fā)明專利]可辨認(rèn)任何語(yǔ)言句子的方法

無(wú)效

• 申請(qǐng)?zhí)枺?/td>: 201010563452.2
• 申請(qǐng)日: 2010-11-29
• 公開(kāi)（公告）號(hào): CN102479507A
• 公開(kāi)（公告）日: 2012-05-30
• 發(fā)明（設(shè)計(jì)）人: 黎自?shī)^;李臺(tái)珍;黎世聰;黎世宏;廖麗娟
• 申請(qǐng)（專利權(quán)）人: 黎自?shī)^;李臺(tái)珍;黎世聰;黎世宏;廖麗娟
• 主分類號(hào): G10L13/08
• 分類號(hào): G10L13/08;G10L15/08;G10L15/28
• 代理公司: 北京科龍寰宇知識(shí)產(chǎn)權(quán)代理有限責(zé)任公司 11139
• 代理人: 孫皓晨

技術(shù)領(lǐng)域

本發(fā)明提供一種可辨認(rèn)任何語(yǔ)言句子的方法，用12彈性框(窗)，等長(zhǎng)、無(wú)濾波器、不重疊，將一到多個(gè)單字組成長(zhǎng)短不一的一個(gè)句子的音波轉(zhuǎn)換成E×P＝12×12的線性預(yù)估編碼倒頻譜(LPCC)的矩陣。將全部被辨認(rèn)的已知句子以相似度先分到一千個(gè)不同資料庫(kù)中，辨認(rèn)一個(gè)未知句子時(shí)，將它先轉(zhuǎn)換成E×P線性預(yù)估編碼倒頻譜矩陣，再用未知句子E×P矩陣用距離從一千個(gè)資料庫(kù)中，找最接近的資料庫(kù)。再?gòu)淖罱咏馁Y料庫(kù)內(nèi)的已知句子，用距離找要辨認(rèn)未知的句子。

當(dāng)使用者發(fā)音后，用Visual?Basic，不到一秒鐘很快能辨認(rèn)所要的句子。方法簡(jiǎn)單，不需樣本，任何人都可即時(shí)使用，發(fā)音不標(biāo)準(zhǔn)或發(fā)錯(cuò)音者也可。以前要計(jì)算及比對(duì)一個(gè)句子特征值，本發(fā)明只要計(jì)算及比對(duì)一個(gè)句子E×P矩陣值，速度快、準(zhǔn)確率高。用普通話、閩南語(yǔ)、英語(yǔ)、日語(yǔ)、德語(yǔ)發(fā)音均測(cè)試過(guò)，可辨認(rèn)大量語(yǔ)音，本發(fā)明不用樣本，用簡(jiǎn)單數(shù)學(xué)計(jì)算及辨認(rèn)，又準(zhǔn)又快。

背景技術(shù)

一般辨認(rèn)一個(gè)未知句子是先將該未知句子切割成多個(gè)單音或單字，切割是一項(xiàng)極高難度技術(shù)，尤其是英語(yǔ)，一個(gè)英語(yǔ)單字有多個(gè)音節(jié)，很難切割準(zhǔn)確，一音節(jié)之差會(huì)使未知句子辨認(rèn)錯(cuò)。所以講話時(shí)，要小心、要慢、要清楚、單字間隔要長(zhǎng)。再將未知句子全部單字和資料庫(kù)的已知單字比對(duì)，一個(gè)單字錯(cuò)誤會(huì)使未知句子辨認(rèn)錯(cuò)。再將單字資料庫(kù)找到的已知單字依照未知句子單字順序，連成一個(gè)已知句子，再?gòu)木渥淤Y料庫(kù)找最可能已知句子為未知句子。一般辨認(rèn)一個(gè)未知句子方法很難準(zhǔn)確，費(fèi)時(shí)，不能正常和電腦自由交談。一般辨認(rèn)方法需費(fèi)時(shí)做樣本，須用統(tǒng)計(jì)計(jì)算及辨認(rèn)，當(dāng)然不準(zhǔn)，因統(tǒng)計(jì)只能估計(jì)。

一個(gè)句子的發(fā)音是用音波表示。音波是一種隨時(shí)間作非線性變化的系統(tǒng)，一個(gè)句子音波內(nèi)含有一種動(dòng)態(tài)特性，也隨時(shí)間作非線性連續(xù)變化。相同句子發(fā)音時(shí)，有一連串相同動(dòng)態(tài)特性，隨時(shí)間作非線性伸展及收縮，但相同動(dòng)態(tài)特性依時(shí)間排列秩序一樣，但時(shí)間不同。相同句子發(fā)音時(shí)，將相同的動(dòng)態(tài)特性排列在同一時(shí)間位置上非常困難。

一個(gè)電腦化語(yǔ)言辨認(rèn)系統(tǒng)，首先要抽取聲波有關(guān)語(yǔ)言資訊，也即動(dòng)態(tài)特性，過(guò)濾和語(yǔ)言無(wú)關(guān)的雜音，如人的音色、音調(diào)，說(shuō)話時(shí)心理、生理及情緒和語(yǔ)音辨認(rèn)無(wú)關(guān)先刪去，然后再將相同句子的相同特征排列在相同的時(shí)間位置上。此一連串的特征用一等長(zhǎng)系列特征向量表示，稱為一個(gè)句子的特征模型。目前語(yǔ)音辨認(rèn)系統(tǒng)要產(chǎn)生大小一致的特征模型太復(fù)雜，且費(fèi)時(shí)，因?yàn)橄嗤渥拥南嗤卣骱茈y排列在同一時(shí)間位置上，尤其是英語(yǔ)，導(dǎo)致比對(duì)辨認(rèn)較困難。

一個(gè)連續(xù)聲波特征常用有下列幾種：能量(energy)，零橫過(guò)點(diǎn)數(shù)(zerocrossings)，極值數(shù)目(extreme?count)，顛峰(formants)，線性預(yù)估編碼倒頻譜(LPCC)及梅爾頻率倒頻譜(MFCC)，其中以線性預(yù)估編碼倒頻譜(LPCC)及梅爾頻率倒頻譜(MFCC)是最有效，并普遍使用。線性預(yù)估編碼倒頻譜(LPCC)是代表一個(gè)連續(xù)音最可靠，穩(wěn)定又準(zhǔn)確的語(yǔ)言特征。它用線性回歸模式代表連續(xù)音音波，以最小平方估計(jì)法計(jì)算回歸系數(shù)，其估計(jì)值再轉(zhuǎn)換成倒頻譜，就成為線性預(yù)估編碼倒頻譜(LPCC)。而梅爾頻率倒頻譜(MFCC)是將音波用傅氏轉(zhuǎn)換法轉(zhuǎn)換成頻率。再根據(jù)梅爾頻率比例去估計(jì)聽(tīng)覺(jué)系統(tǒng)。根據(jù)學(xué)者S.B.Davis?and?P.Mermelstein于1980年出版在IEEE?Transactions?on?Acoustics，Speech?Signal?Processing，Vol.28，No.4發(fā)表的論文Comparison?of?parametric?representations?for?monosyllabicword?recognition?in?continuously?spoken?sentences中用動(dòng)態(tài)時(shí)間扭曲法(DTW)，梅爾頻率倒頻譜(MFCC)特征比線性預(yù)估編碼倒頻譜(LPCC)特征辨認(rèn)率要高。但經(jīng)過(guò)多次語(yǔ)音辨認(rèn)實(shí)驗(yàn)(包含本人前發(fā)明)，用貝氏分類法，線性預(yù)估編碼倒頻譜(LPCC)特征辨認(rèn)率比梅爾頻率倒頻譜(MFCC)特征要高，且省時(shí)。