[發明專利]在自動語音識別中應用聲調特征的裝置和方法

有效

• 申請號: 201210090660.4
• 申請日: 2012-03-30
• 公開（公告）號: CN103366737A
• 公開（公告）日: 2013-10-23
• 發明（設計）人: 丁沛;賀利強
• 申請（專利權）人: 株式會社東芝
• 主分類號: G10L15/02
• 分類號: G10L15/02
• 代理公司: 北京市中咨律師事務所 11247
• 代理人: 張亞非;楊曉光

技術領域

本發明涉及自動語音識別(ASR)，具體涉及一種在自動語音識別中應用聲調特征的裝置和方法。

背景技術

中文普通話等語言是一種帶調語言，其每個音節的發音通常有五個不同的聲調。聲調反映了語音基頻的變化，這是一種非常重要的鑒別信息。但是對于常見的語音識別系統，其使用的聲學特征往往都忽略了聲調，基頻信息在特征提取中被丟棄，這對于帶調語音識別系統，尤其是小詞匯量語音識別(如中文數字串識別)而言是一種信息的浪費。除此之外，這樣的語音識別系統也完全不能區分同音不同調的詞對(如“陜西”和“山西”)。

為了提高諸如中文普通話等帶調語言的語音識別系統的性能，基頻特征會被提取出來，并和傳統聲學特征(如MFCC)合并使用。在用于語音識別的基頻提取過程中有一個特殊問題，即為了保證基頻特征的連續輸出，如何對無聲語音幀(如輔音)的基頻賦值。因為在這些幀中，基頻信息是根本不存在的。通常的辦法是用隨機數作為無聲幀的基頻特征。但是，直接使用隨機值將會導致譯碼過程中出現異常的概率似然值，并最終降低識別性能。

除此之外，在基頻特征提取的過程中，一些中間變量對提高識別性能是很有作用的，但實際應用中都被忽略了。

發明內容

針對現有技術中存在的上述問題，提出了本發明的解決方案。

在本發明的一個方面，提出了一種在自動語音識別中應用聲調特征的裝置，包括：分布估計模塊，被配置為估計語音信號中的有聲幀的聲調特征的全局分布以及用于無聲幀的隨機值的全局分布；規整化(normalization)模塊，被配置為根據有聲幀的聲調特征的全局分布對隨機值的全局分布進行規整化；以及隨機值調整模塊，被配置為根據規整化的全局分布調整隨機值，并將調整后的隨機值賦值給語音信號中的無聲幀，作為無聲幀的聲調特征。

根據本發明的實施例，所述根據有聲幀的聲調特征的全局分布對用于無聲幀的隨機值的全局分布進行規整化包括：使用于無聲幀的隨機值的全局分布的標準差接近于有聲幀的聲調特征的全局分布的標準差；以及使用于無聲幀的隨機值的全局分布的均值偏離有聲幀的聲調特征的全局分布的均值。

根據本發明的實施例，所述使用于無聲幀的隨機值的全局分布的均值偏離有聲幀的聲調特征的全局分布的均值包括：使用于無聲幀的隨機值的全局分布的均值與有聲幀的聲調特征的全局分布的均值之間的差接近于有聲幀的聲調特征的全局分布的標準差的1.6倍。

根據本發明的實施例，所述根據規整化的全局分布調整用于無聲幀的隨機值包括：對用于無聲幀的隨機值進行線性變換，以使得線性變換后的隨機值的全局分布為所述規整化的全局分布。

根據本發明的實施例，該裝置還包括：幀區分模塊，被配置為區分語音信號中的有聲幀和無聲幀；以及聲調特征提取模塊，被配置為提取有聲幀的聲調特征。

根據本發明的實施例，該裝置還包括：特征合并模塊，被配置為合并有聲幀和無聲幀的非聲調聲學特征以及所述聲調特征，以用于自動語音識別。

根據本發明的實施例，所述特征合并模塊進一步被配置為：合并有聲幀和無聲幀的非聲調聲學特征、所述聲調特征以及語音層級參數，以用于自動語音識別。

根據本發明的實施例，所述語音層級參數反映了語音信號中的周期性的強弱。

在本發明的另一個方面，提出了一種在自動語音識別中應用聲調特征的方法，包括：估計語音信號中的有聲幀的聲調特征的全局分布以及用于無聲幀的隨機值的全局分布；根據有聲幀的聲調特征的全局分布對隨機值的全局分布進行規整化；以及根據規整化的全局分布調整隨機值，并將調整后的隨機值賦值給語音信號中的無聲幀，作為無聲幀的聲調特征。

根據本發明的實施例，所述根據有聲幀的聲調特征的全局分布對用于無聲幀的隨機值的全局分布進行規整化包括：使用于無聲幀的隨機值的全局分布的標準差接近于有聲幀的聲調特征的全局分布的標準差；以及使用于無聲幀的隨機值的全局分布的均值偏離有聲幀的聲調特征的全局分布的均值。

根據本發明的實施例，所述使用于無聲幀的隨機值的全局分布的均值偏離有聲幀的聲調特征的全局分布的均值包括：使用于無聲幀的隨機值的全局分布的均值與有聲幀的聲調特征的全局分布的均值之間的差接近于有聲幀的聲調特征的全局分布的標準差的1.6倍。

根據本發明的實施例，所述根據規整化的全局分布調整用于無聲幀的隨機值包括：對用于無聲幀的隨機值進行線性變換，以使得線性變換后的隨機值的全局分布為所述規整化的全局分布。

根據本發明的實施例，該方法還包括以下可選步驟：區分語音信號中的有聲幀和無聲幀；以及提取有聲幀的聲調特征。