專利名稱：語音識(shí)別中狀態(tài)結(jié)構(gòu)調(diào)整方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種語音識(shí)別領(lǐng)域的狀態(tài)結(jié)構(gòu)調(diào)整算法，具體是一種語音識(shí)別中狀態(tài)結(jié)構(gòu)調(diào)整方法。
背景技術(shù)：
九十年代以來，基于連續(xù)概率HMM的非特定人(SI)、大詞匯量連續(xù)語音識(shí)別(LVCSR)獲得了很大的進(jìn)展，為建立更精確的模型，LVCSR系統(tǒng)一般都采用上下文相關(guān)的三音子模型，利用基于聲學(xué)決策樹的狀態(tài)共享策略進(jìn)一步改善模型的性能。同時(shí)，在SI系統(tǒng)中，不同說話人的特性差異會(huì)帶來系統(tǒng)性能的降低，這使得說話人自適應(yīng)技術(shù)成為SI系統(tǒng)走向?qū)嵱没年P(guān)鍵。常用的自適應(yīng)方法包括貝葉斯(MAP)方法和最大似然線性回歸(MLLR)方法，都是基于自適應(yīng)語料對(duì)模型的參數(shù)做變換，沒有考慮對(duì)決策樹的結(jié)構(gòu)做自適應(yīng)。決策樹中狀態(tài)之間的合并或分裂是基于訓(xùn)練語料中似然值的變化和采樣數(shù)據(jù)量進(jìn)行的，得到的決策樹的結(jié)構(gòu)并不能有效地反映測試語料的特征，尤其是當(dāng)訓(xùn)練語料與自適應(yīng)語料的特征差別比較大時(shí)，這種結(jié)構(gòu)的偏差直接會(huì)導(dǎo)致系統(tǒng)性能的降低。
為了解決訓(xùn)練語料決策樹與測試語料決策樹結(jié)構(gòu)不匹配造成的識(shí)別率的降低，必須對(duì)訓(xùn)練語料決策樹的結(jié)構(gòu)做調(diào)整，由于直接調(diào)整訓(xùn)練語料決策樹結(jié)構(gòu)后，又會(huì)使得決策樹結(jié)構(gòu)與訓(xùn)練語料的不一致，造成模型精度下降。
經(jīng)文獻(xiàn)檢索發(fā)現(xiàn)，A.Nakamura在國際聲學(xué)、語音及信號(hào)處理會(huì)議(《ICASSP》，vol.1，pp.649-652，1998)中發(fā)表的“一種在非特定人聲學(xué)建模中調(diào)整高斯混合函數(shù)結(jié)構(gòu)的方法”(Restructuring Gaussian mixture density functions in speakerindependent acoustic models)中提出調(diào)整高斯混合分布函數(shù)方法，在該方案中，對(duì)于給定語音X，t時(shí)刻的觀察矢量ot，對(duì)應(yīng)的實(shí)際高斯函數(shù)為fta(μ，δ2)，屬于狀態(tài)sa，而通過維特比(Viterbi)解碼算法得到的識(shí)別的高斯函數(shù)為ftb(μ，δ2)，屬于狀態(tài)sb；sa與sb共享高斯函數(shù)ftb(μ，δ2)，從而調(diào)整sa中高斯混合的分布函數(shù)。調(diào)整后的狀態(tài)包含不同數(shù)量的高斯函數(shù)，某個(gè)高斯函數(shù)可被多個(gè)狀態(tài)共享。然而該方法的訓(xùn)練過程比較隨機(jī)，而且這是基于訓(xùn)練語料，在一定程度上不能反映測試語音的信息。

發(fā)明內(nèi)容
本發(fā)明針對(duì)現(xiàn)有技術(shù)中存在的上述不足和缺陷，提供一種語音識(shí)別中狀態(tài)結(jié)構(gòu)調(diào)整方法，使其提高模型對(duì)樣本的后驗(yàn)概率，增強(qiáng)對(duì)自適應(yīng)語料的利用率，并增加狀態(tài)內(nèi)參數(shù)量，擴(kuò)大模型的描述力，對(duì)系統(tǒng)總參數(shù)量的增加有限，從而降低訓(xùn)練語料與測試語料決策樹結(jié)構(gòu)不匹配造成的識(shí)別率的降低。
本發(fā)明是通過以下技術(shù)方案實(shí)現(xiàn)的，根據(jù)狀態(tài)間混淆度，采用混淆狀態(tài)間高斯加權(quán)共享對(duì)狀態(tài)結(jié)構(gòu)進(jìn)行調(diào)整，具體步驟如下(1)建立大詞匯量連續(xù)語音識(shí)別系統(tǒng)語音特征采用12階Mel倒譜特征及短時(shí)能量共13維作為基本特征，加上其一階差分和二階差分，最后特征維數(shù)為39，過程同一般語音識(shí)別。提取訓(xùn)練語音每句話的特征，根據(jù)句子內(nèi)容利用HTK(HMMToolKit)工具首先選擇聲母和帶調(diào)韻母作為基本的建模單元，建立帶調(diào)單音子模型；然后將模型由單音子擴(kuò)展到上下文相關(guān)的三音子模型，三音子模型同時(shí)考慮了不同音節(jié)間左右聲韻母的情況，不同的語境對(duì)應(yīng)不同的三音子模型；最后利用聲學(xué)決策樹對(duì)基于同一個(gè)單音子的所有三音子模型的狀態(tài)進(jìn)行聚類，聚類的后狀態(tài)由單高斯分布逐漸擴(kuò)展到多個(gè)混合高斯分布。
(2)狀態(tài)結(jié)構(gòu)調(diào)整包括利用自適應(yīng)語音對(duì)模型狀態(tài)結(jié)構(gòu)調(diào)整和利用訓(xùn)練語音對(duì)模型狀態(tài)結(jié)構(gòu)調(diào)整。自適應(yīng)語音和測試語音來自同一個(gè)測試者，基線系統(tǒng)識(shí)別自適應(yīng)語音時(shí)出現(xiàn)的錯(cuò)誤同樣會(huì)在基線系統(tǒng)識(shí)別測試語音時(shí)出現(xiàn)。因此，分析基線系統(tǒng)識(shí)別自適應(yīng)語音出時(shí)出現(xiàn)的錯(cuò)誤，對(duì)狀態(tài)結(jié)構(gòu)進(jìn)行適當(dāng)?shù)恼{(diào)整不僅可以提高對(duì)自適應(yīng)語料的利用率，還可以提高模型的后驗(yàn)概率。另一方面，僅利用自適應(yīng)語料對(duì)狀態(tài)結(jié)構(gòu)調(diào)整，狀態(tài)調(diào)整的范圍有限；訓(xùn)練語料來自大量的說話人，發(fā)音具有一定的代表性。因此假設(shè)基線系統(tǒng)在識(shí)別訓(xùn)練語音時(shí)出現(xiàn)的錯(cuò)誤在識(shí)別測試語音時(shí)也會(huì)出現(xiàn)，從而可以利用訓(xùn)練語料對(duì)剩余狀態(tài)的結(jié)構(gòu)進(jìn)行調(diào)整。
(3)說話人自適應(yīng)采用最大似然線性回歸算法(MLLR)，利用自適應(yīng)語料對(duì)調(diào)整后的模型做自適應(yīng)，目的是進(jìn)一步補(bǔ)償狀態(tài)調(diào)整后的模型與測試語音之間的不匹配。
以下對(duì)本發(fā)明作進(jìn)一步的說明，具體內(nèi)容如下1、所述的利用自適應(yīng)語音對(duì)模型狀態(tài)結(jié)構(gòu)調(diào)整，具體步驟是設(shè)HMMs的狀態(tài)集為Ω；自適應(yīng)樣本X＝{X1，...，Xi，...}對(duì)應(yīng)的狀態(tài)集為Φ。每個(gè)樣本Xi對(duì)應(yīng)的特征矢量為Oi＝(o1，...，ot，...，oT)、狀態(tài)集為Φi(ΦiΦ)。根據(jù)樣本Xi的聲學(xué)模型，利用幀同步Viterbi算法得到矢量Oi對(duì)應(yīng)于Φi的狀態(tài)序列Ξ＝(si，...，st，...，sT)，稱Ξ為實(shí)際的狀態(tài)序列；同樣地根據(jù)Viterbi識(shí)別算法得到Oi對(duì)應(yīng)于狀態(tài)集Ω的狀態(tài)序列Ψ＝(r1，...，rt，...，rT)，稱Ψ為識(shí)別的狀態(tài)序列。比較這兩組狀態(tài)序列，得到對(duì)應(yīng)于同一矢量ot的兩個(gè)狀態(tài)st和rt，若st≠rt，稱rt為st的混淆狀態(tài)，定義兩者的混淆度(confusion)Cst|rt=P(ot|rt)P(ot|st)---(1)]]>因?yàn)闋顟B(tài)st被誤識(shí)成rt，所以當(dāng)st≠rt，忽略語言模型和狀態(tài)音轉(zhuǎn)移概率，有P(ot|rt)＞P(ot|st)，即Cst|rt>1,]]>從定義(1)可以看出，Cst|rt越大，說明實(shí)際狀態(tài)st被識(shí)別成rt的可能性越大。因此，如果把狀態(tài)rt的混合高斯以加權(quán)的形式與狀態(tài)st共享，改變狀態(tài)st的結(jié)構(gòu)，則概率P(ot|st)會(huì)增大，從而可以降低系統(tǒng)的誤識(shí)率，提高模型對(duì)觀察矢量ot的后驗(yàn)概率。
設(shè)狀態(tài)s∈Φ，對(duì)應(yīng)于自適應(yīng)樣本的觀察特征矢量Os；Rs為識(shí)別Os得到的狀態(tài)集(RsΩ)，稱Rs為s的相近狀態(tài)集。利用狀態(tài)r(r∈Rs)，對(duì)s結(jié)構(gòu)進(jìn)行調(diào)整，調(diào)整后的高斯混合函數(shù)為b(·|s)=Σr∈Rsws|rP(·|r)+w0P(·|s)---(2)]]>式(2)中，取w0＝1-D，D為常數(shù)；權(quán)值ws|r和概率函數(shù)P(·|r)的計(jì)算公式分別為
ws|r=D·Cs|rΣr∈RsCs|r---(3)]]>P(·|r)=Σl=1Lmr,lN(·|μr,l,Σr,l)---(4)]]>(4)式中L為狀態(tài)調(diào)整前的高斯混合數(shù)，μr，l、∑r，l和mr，l分別為多元高斯函數(shù)N(·|μr，l，∑r，l)的均值矢量、對(duì)角協(xié)方差矩陣和權(quán)值。因此，結(jié)構(gòu)調(diào)整后的狀態(tài)存在兩層權(quán)值狀態(tài)內(nèi)權(quán)值mr，l和狀態(tài)間權(quán)值Ws|r，滿足·狀態(tài)內(nèi)權(quán)值Σk=1Kmr,k=1,0≤mr,k≤1.]]>·狀態(tài)間權(quán)值Σr∈Rs′ws|r=1,0≤ws|r≤1,]]>其中Rs′＝Rs∪s.
2、所述的利用訓(xùn)練語音對(duì)模型狀態(tài)結(jié)構(gòu)調(diào)整，具體步驟是設(shè)調(diào)整前的狀態(tài)為s，對(duì)數(shù)似然值為L(Os)′=Σo∈Oslog(P(o|s‾)),]]>調(diào)整后似然值的增加ΔL(Os)＝L(Os)-L(Os)′，狀態(tài)集Φ對(duì)應(yīng)的平均似然值增加為ΔL=1size(Φ)Σs∈ΦΔL(Os),]]>ΔL將作為閾值在基于訓(xùn)練語音的狀態(tài)結(jié)構(gòu)調(diào)整中使用。
定義狀態(tài)集Ψ(Ψ＝Ω-Φ)，利用訓(xùn)練語料對(duì)模型狀態(tài)結(jié)構(gòu)做進(jìn)一步調(diào)整，具體步驟是1)對(duì)訓(xùn)練樣本Yi(Yi∈Y)和對(duì)應(yīng)的特征矢量Oi，采用Viterbi解碼算法識(shí)別后得到識(shí)別狀態(tài)序列{η}i；根據(jù)Yi對(duì)應(yīng)的聲學(xué)模型，采用Viterbi幀同步對(duì)觀察序列分段，得到對(duì)應(yīng)于特征矢量Oi的實(shí)際狀態(tài)序列{γ}i。
2)重復(fù)步驟1)，完成對(duì)所有訓(xùn)練樣本Y的操作，得到兩類狀態(tài)序列{η}({η}i{η})和{γ}({γ}i{γ})。
3)比較{η}和{γ}，確定狀態(tài)s(s∈{γ})的相近狀態(tài)集Rs(Rs{η})；計(jì)算狀態(tài)r∈Rs與狀態(tài)s的混淆度Cs|r。根據(jù)混淆度的大小，將狀態(tài)集Rs的元素由大到小排列，并設(shè)狀態(tài)集Rs的大小為Is。
4)對(duì)狀態(tài)s的調(diào)整取前i(0＜i＜Is)個(gè)狀態(tài)對(duì)s進(jìn)行調(diào)整，計(jì)算似然值的增加ΔLs。如果ΔLs＜ΔL，取i＝i+1，直到ΔLs＞ΔL；如果當(dāng)i＝Is時(shí)，仍有ΔLs＜ΔL，則不對(duì)狀態(tài)s做調(diào)整。
5)重復(fù)步驟3)～4)直至完成對(duì)Ψ中每個(gè)狀態(tài)的結(jié)構(gòu)調(diào)整。
對(duì)增加的狀態(tài)間權(quán)值ws|r重估，使用的目標(biāo)函數(shù)是L(Os)=Σo∈Oslog(P(o|s))---(5)]]>=Σo∈OslogΣr∈Rs′ws|rP(o|r)]]>在求目標(biāo)函數(shù)最大時(shí)的權(quán)值ws|r時(shí)，采用期望最大(EM)算法，輔助函數(shù)為Q(ws|r,w‾s|r)=E[logP(Os,s|w‾s|r)|Os,ws|r]---(6)]]>在Σr∈Rs′ws|r=1]]>條件下，上式對(duì)ws|r求導(dǎo)，得w‾s|r=Σo∈OsΣk=1Kγ(s,r,k)Σo∈OsΣr∈Rs′Σk=1Kγ(s,r,k)---(7)]]>這里γ(s,r,k)=ws|rmr,kN(o|μr,k,δr,k)Σr∈Rs′Σk=1Kws|rmr,kN(o|μr,k,δr,k),]]>為觀察o(o∈Os)屬于狀態(tài)r中第k個(gè)混合高斯的概率。ws|r就是對(duì)ws|r的更新值。
利用MLLR算法對(duì)狀態(tài)調(diào)整后的模型做自適應(yīng)時(shí)，考慮到自適應(yīng)語料的有限性，只對(duì)模型的均值做自適應(yīng)，其余參數(shù)保持不變；MLLR算法中的平移矩陣采用對(duì)角平移矩陣，而且在不同目標(biāo)均值之間共享平移矩陣。對(duì)角平移矩陣的估計(jì)是利用共享目標(biāo)分布對(duì)應(yīng)的所有自適應(yīng)數(shù)據(jù)，共享的程度和范圍根據(jù)自適應(yīng)數(shù)據(jù)的多少和語音學(xué)分類進(jìn)行調(diào)整。
本發(fā)明易混淆的狀態(tài)間高斯混合函數(shù)共享，因?yàn)橛?xùn)練語音與測試語音決策樹結(jié)構(gòu)不匹配造成的識(shí)別誤差，可以從識(shí)別自適應(yīng)語音時(shí)出現(xiàn)的狀態(tài)混淆中體現(xiàn)出來。例如，用女聲模型識(shí)別男聲語音，當(dāng)狀態(tài)A被識(shí)別成狀態(tài)B(B≠A)時(shí)，其中大多數(shù)情況是A和B屬于同一個(gè)決策樹，有些情況是在男聲決策樹中A和B恰恰屬于同一個(gè)葉節(jié)點(diǎn)。因此，本發(fā)明首先采用自適應(yīng)語音對(duì)狀態(tài)結(jié)構(gòu)調(diào)整的方法，然后在此基礎(chǔ)上再利用訓(xùn)練語音擴(kuò)大狀態(tài)調(diào)整的范圍。
本發(fā)明提高了模型對(duì)樣本的后驗(yàn)概率，增強(qiáng)對(duì)自適應(yīng)語料的利用率，并增加狀態(tài)內(nèi)參數(shù)量，擴(kuò)大模型的描述力，對(duì)系統(tǒng)總參數(shù)量的增加有限，從而降低訓(xùn)練語料與測試語料決策樹結(jié)構(gòu)不匹配造成的識(shí)別率的降低。需要說明的是本發(fā)明的保護(hù)范圍不受建模單元大小以及數(shù)量的限制，也不受模型類型的限制，其方法適用于任何其它連續(xù)語音識(shí)別系統(tǒng)。


圖1狀態(tài)結(jié)構(gòu)調(diào)整及說話人自適應(yīng)圖2基于訓(xùn)練語料的狀態(tài)結(jié)構(gòu)調(diào)整圖3狀態(tài)結(jié)構(gòu)調(diào)整系統(tǒng)性能比較圖4狀態(tài)結(jié)構(gòu)調(diào)整系統(tǒng)說話人自適應(yīng)性能比較具體實(shí)施方式
結(jié)合本發(fā)明方法的內(nèi)容提供以下實(shí)施例對(duì)其進(jìn)行進(jìn)一步的理解。
實(shí)施例為更好地理解本發(fā)明的技術(shù)方案，采用連續(xù)語音數(shù)據(jù)庫做實(shí)驗(yàn)進(jìn)一步說明?；€系統(tǒng)F 863的訓(xùn)練集包括F_Tr包含68個(gè)女聲錄音，每人約530句話，共36210句；語音采用16KHz采樣率、16位采樣、幀長25ms、幀移為10ms。提取39維語音特征矢量，包括12維MFCC、1維歸一化能量，以及它們的一階、二階差分。聲學(xué)模型選擇聲母和帶調(diào)韻母作為基本的建模單元，每個(gè)建模單元都用連續(xù)密度的HMM來表示，在本發(fā)明中，基本建模單元見表1(韻母后的數(shù)字代表聲調(diào)，數(shù)字5代表輕聲)，包括聲母27個(gè)，其中g(shù)a、ge、ger、go分別為單音節(jié)a、e、er、o的假定聲母；帶調(diào)韻母157個(gè)，其中ib表示在音節(jié)chi、ri、shi和zhi中的韻母，if代表在音節(jié)ci、si和zi中使用的韻母。加一個(gè)靜音(silence)HMM模型，共訓(xùn)練185個(gè)單音子模型，模型的訓(xùn)練方法同一般語音識(shí)別過程。當(dāng)訓(xùn)練模型由單音子擴(kuò)展到三音子后，基于聲學(xué)決策樹，對(duì)三音子模型做狀態(tài)聚類，聚類后的狀態(tài)分布由單個(gè)高斯逐漸擴(kuò)展到8個(gè)混合高斯，系統(tǒng)在識(shí)別過程中沒有應(yīng)用語言模型，實(shí)驗(yàn)僅僅是聲學(xué)層上的結(jié)果。
表1聲學(xué)模型中的聲母和帶調(diào)韻母

男聲測試語料M_Te來自14個(gè)人，每人40句話；男聲自適應(yīng)語料M_Ad來自同樣的14個(gè)測試者，每人40句話，其中測試語音與自適應(yīng)語音之間是獨(dú)立的。利用M_Ad對(duì)F_863做狀態(tài)結(jié)構(gòu)調(diào)整后的模型記為R1_F，在R1_F的基礎(chǔ)上利用F_Tr做進(jìn)一步調(diào)整后的模型記為R2_F，隨自適應(yīng)語句數(shù)量的變化，系統(tǒng)性能的比較如圖3所示。從圖3可以看出，R1_F和R2_F都獲得了比F_863一致提高的識(shí)別率。當(dāng)自適應(yīng)語料較少時(shí)，例如只有1、3句時(shí)，R1_F中結(jié)構(gòu)調(diào)整過的狀態(tài)數(shù)量有限，其性能的提高也是有限的；而利用訓(xùn)練語料對(duì)剩余狀態(tài)調(diào)整過的R2_F的性能卻有明顯提高，從而說明在利用訓(xùn)練語料對(duì)狀態(tài)結(jié)構(gòu)調(diào)整時(shí)做的假設(shè)是成立的。隨著自適應(yīng)語句的增加，R1_F與R2_F性能開始接近，當(dāng)自適應(yīng)語料足夠多時(shí)，R1_F與R2_F將會(huì)保持一致。
對(duì)以上F_863、R1_F和R2_F三個(gè)系統(tǒng)利用男聲自適應(yīng)語音做MLLR說話人自適應(yīng)，F(xiàn)_863/MLLR、F_R1/MLLR和F_R2/MLLR的識(shí)別率隨自適應(yīng)句子數(shù)的變化情況如圖4所示。參數(shù)量多的系統(tǒng)做MLLR自適應(yīng)后識(shí)別率會(huì)有顯著提高，相比F_863系統(tǒng)，狀態(tài)調(diào)整后的F_R1和F_R2系統(tǒng)不僅大大增加了狀態(tài)內(nèi)的參數(shù)量，而且從調(diào)整狀態(tài)結(jié)構(gòu)的角度間接地對(duì)決策樹結(jié)構(gòu)進(jìn)行了調(diào)整，減少了決策樹結(jié)構(gòu)與測試語音不匹配對(duì)說話人自適應(yīng)的影響，因此F_R1/MLLR，F(xiàn)_R2/MLLR的識(shí)別性能明顯高于F_863/MLLR，從而證明了狀態(tài)調(diào)整算法有利于提高系統(tǒng)的性能。
權(quán)利要求
1.一種語音識(shí)別中狀態(tài)結(jié)構(gòu)調(diào)整方法，其特征在于，根據(jù)狀態(tài)間混淆度，采用混淆狀態(tài)間高斯加權(quán)共享對(duì)狀態(tài)結(jié)構(gòu)進(jìn)行調(diào)整，具體步驟如下(1)建立大詞匯量連續(xù)語音識(shí)別系統(tǒng)語音特征采用12階Mel倒譜特征及短時(shí)能量共13維作為基本特征，加上其一階差分和二階差分，最后特征維數(shù)為39，過程同一般語音識(shí)別，提取訓(xùn)練語音每句話的特征，根據(jù)句子內(nèi)容利用HTK工具首先選擇聲母和帶調(diào)韻母作為基本的建模單元，建立帶調(diào)單音子模型；然后將模型由單音子擴(kuò)展到上下文相關(guān)的三音子模型，三音子模型同時(shí)考慮了音節(jié)間左右聲韻母的情況，語境與三音子模型相對(duì)應(yīng)；最后利用聲學(xué)決策樹對(duì)基于同一個(gè)單音子的所有三音子模型的狀態(tài)進(jìn)行聚類，聚類的后狀態(tài)由單高斯分布逐漸擴(kuò)展到多個(gè)混合高斯分布；(2)狀態(tài)結(jié)構(gòu)調(diào)整包括利用自適應(yīng)語音對(duì)模型狀態(tài)結(jié)構(gòu)調(diào)整和利用訓(xùn)練語音對(duì)模型狀態(tài)結(jié)構(gòu)調(diào)整，自適應(yīng)語音和測試語音來自同一個(gè)測試者，基線系統(tǒng)識(shí)別自適應(yīng)語音時(shí)出現(xiàn)的錯(cuò)誤同樣會(huì)在基線系統(tǒng)識(shí)別測試語音時(shí)出現(xiàn)，因此，假設(shè)基線系統(tǒng)在識(shí)別訓(xùn)練語音時(shí)出現(xiàn)的錯(cuò)誤在識(shí)別測試語音時(shí)也會(huì)出現(xiàn)，從而利用訓(xùn)練語料對(duì)剩余狀態(tài)的結(jié)構(gòu)進(jìn)行調(diào)整；(3)說話人自適應(yīng)采用最大似然線性回歸算法，利用自適應(yīng)語料對(duì)調(diào)整后的模型做自適應(yīng)。
2.根據(jù)權(quán)利要求1所述的語音識(shí)別中狀態(tài)結(jié)構(gòu)調(diào)整方法，其特征是，所述的最大似然線性回歸算法對(duì)狀態(tài)調(diào)整后的模型做自適應(yīng)時(shí)，考慮到自適應(yīng)語料的有限性，只對(duì)模型的均值做自適應(yīng)，最大似然線性回歸算法中的平移矩陣采用對(duì)角平移矩陣，而且在兩個(gè)以上的目標(biāo)均值之間共享平移矩陣，對(duì)角平移矩陣的估計(jì)是利用共享目標(biāo)分布對(duì)應(yīng)的所有自適應(yīng)數(shù)據(jù)，共享的程度和范圍根據(jù)自適應(yīng)數(shù)據(jù)的多少和語音學(xué)分類進(jìn)行調(diào)整。
全文摘要
一種語音識(shí)別領(lǐng)域的語音識(shí)別中狀態(tài)結(jié)構(gòu)調(diào)整方法，具體步驟如下建立大詞匯量連續(xù)語音識(shí)別系統(tǒng)語音特征采用12階Mel倒譜特征及短時(shí)能量共13維作為基本特征，加上其一階差分和二階差分，最后特征維數(shù)為39；狀態(tài)結(jié)構(gòu)調(diào)整包括利用自適應(yīng)語音對(duì)模型狀態(tài)結(jié)構(gòu)調(diào)整和利用訓(xùn)練語音對(duì)模型狀態(tài)結(jié)構(gòu)調(diào)整，假設(shè)基線系統(tǒng)在識(shí)別訓(xùn)練語音時(shí)出現(xiàn)的錯(cuò)誤在識(shí)別測試語音時(shí)也會(huì)出現(xiàn)，從而利用訓(xùn)練語料對(duì)剩余狀態(tài)的結(jié)構(gòu)進(jìn)行調(diào)整；說話人自適應(yīng)采用最大似然線性回歸算法，利用自適應(yīng)語料對(duì)調(diào)整后的模型做自適應(yīng)。本發(fā)明提高了模型對(duì)樣本的后驗(yàn)概率，增強(qiáng)對(duì)自適應(yīng)語料的利用率，從而降低訓(xùn)練語料與測試語料決策樹結(jié)構(gòu)不匹配造成的識(shí)別率的降低。
文檔編號(hào)G10L15/06GK1588536SQ20041006679
公開日2005年3月2日 申請(qǐng)日期2004年9月29日 優(yōu)先權(quán)日2004年9月29日
發(fā)明者朱杰, 徐向華 申請(qǐng)人:上海交通大學(xué)