吳 剛 吐?tīng)柡榻?/p>

(塔里木大學(xué)信息工程學(xué)院，新疆阿拉爾843300)

語(yǔ)音識(shí)別(Speech Recognition，簡(jiǎn)稱SR)的根本目的是要讓機(jī)器聽(tīng)懂人說(shuō)的話，準(zhǔn)確地識(shí)別出語(yǔ)音的內(nèi)容，并根據(jù)其信息意圖生成相應(yīng)的文本或是執(zhí)行某種操作。對(duì)語(yǔ)音識(shí)別的研究始于20世紀(jì)50年代，其中特定說(shuō)話人和非特定說(shuō)話人連續(xù)語(yǔ)音識(shí)別技術(shù)研究比較成熟，部分技術(shù)已經(jīng)在相關(guān)領(lǐng)域廣泛應(yīng)用。

在新疆，少數(shù)民族尤其是維吾爾族人口占有很大的比例，維吾爾族有自己獨(dú)特的語(yǔ)言，且不同地域其語(yǔ)言發(fā)音差異非常大。隨著新疆信息化快速發(fā)展，維吾爾語(yǔ)語(yǔ)言文字信息技術(shù)的研究與應(yīng)用也是新疆信息化建設(shè)進(jìn)程中的重要組成部分。特別是在新疆大力發(fā)展旅游經(jīng)濟(jì)的過(guò)程中，為加強(qiáng)民族文化交流，積極研究與開(kāi)發(fā)維吾爾語(yǔ)人機(jī)對(duì)話系統(tǒng)意義重大。但當(dāng)前對(duì)新疆維吾爾語(yǔ)語(yǔ)音識(shí)別的研究還處于初步階段，離實(shí)際應(yīng)用還有很多問(wèn)題需要解決。南疆維吾爾語(yǔ)語(yǔ)音識(shí)別研究以南疆區(qū)域維吾爾語(yǔ)發(fā)音為研究對(duì)象，對(duì)其語(yǔ)音進(jìn)行特征分析并探討其識(shí)別方法。

1 維吾爾語(yǔ)發(fā)音特點(diǎn)

現(xiàn)代維吾爾語(yǔ)是現(xiàn)代維吾爾民族共同使用的語(yǔ)言，在漫長(zhǎng)的歷史發(fā)展過(guò)程中，維吾爾語(yǔ)形成了明顯的方言差異?，F(xiàn)代維吾爾語(yǔ)主要分為中心方言、和田方言和羅布方言三大方言，三個(gè)方言的差別主要表現(xiàn)在語(yǔ)音上，其中又以中心方言為標(biāo)準(zhǔn)語(yǔ)、以烏魯木齊發(fā)音為標(biāo)準(zhǔn)語(yǔ)音[1，2]?，F(xiàn)代維吾爾語(yǔ)共有32個(gè)字母，其中元音8個(gè)，輔音24個(gè)，維吾爾語(yǔ)是一種拼音式文字，分別由這8個(gè)元音字母和24個(gè)輔音字母拼寫(xiě)而成，在書(shū)寫(xiě)時(shí)是從右向左書(shū)寫(xiě)。

以發(fā)音音位來(lái)看，8個(gè)元音音位為閉展唇音2個(gè)，閉圓唇音2個(gè)，開(kāi)展唇音2個(gè)，開(kāi)圓唇音2個(gè)，在閉、開(kāi)展唇和圓唇中以發(fā)音部位又可分為前、央、后三種音位。24個(gè)輔音的發(fā)音音位為雙唇音3個(gè)、唇齒音1個(gè)、齒音6個(gè)、齒齦音1個(gè)、齒齦后音4個(gè)、硬腭音1個(gè)、軟腭音2個(gè)、喉音4個(gè)及其他2個(gè)，在輔音的發(fā)音中細(xì)分有塞音、鼻音、擦音、塞擦音、閃音、半元音和邊音等。發(fā)音中存在元音和諧律，舌位合諧比較嚴(yán)整，唇狀和諧比較松弛，有元音弱化現(xiàn)象。

2 語(yǔ)音識(shí)別系統(tǒng)結(jié)構(gòu)

語(yǔ)音識(shí)別系統(tǒng)結(jié)構(gòu)圖如圖1所示，主要包括語(yǔ)音特征提取(包括語(yǔ)音預(yù)處理)、模型訓(xùn)練、模式匹配及邏輯決策等三個(gè)主要模塊。

圖1 語(yǔ)音識(shí)別系統(tǒng)結(jié)構(gòu)圖

在研究中根據(jù)語(yǔ)音識(shí)別過(guò)程，從兩個(gè)方面來(lái)進(jìn)行處理:一是對(duì)語(yǔ)音語(yǔ)料庫(kù)中的語(yǔ)音進(jìn)行預(yù)處理，提取特征，進(jìn)行樣本訓(xùn)練，建立識(shí)別樣本庫(kù);二是對(duì)待識(shí)別語(yǔ)音進(jìn)行預(yù)處理并提取其特征參數(shù)，應(yīng)用一定的識(shí)別算法將所提取的特征參數(shù)與識(shí)別樣本庫(kù)進(jìn)行匹配，得到識(shí)別的結(jié)果。

3 語(yǔ)音信號(hào)預(yù)處理

語(yǔ)音預(yù)處理指采用各種數(shù)字信號(hào)處理技術(shù)，運(yùn)用軟、硬件手段對(duì)語(yǔ)音信號(hào)進(jìn)行處理，包括采樣、去噪聲、信號(hào)預(yù)加重、加窗和端點(diǎn)檢測(cè)等規(guī)范化處理，獲得較標(biāo)準(zhǔn)的語(yǔ)音樣本，以進(jìn)行后期特征提取及識(shí)別研究。語(yǔ)音預(yù)處理是語(yǔ)音識(shí)別過(guò)程中關(guān)鍵的一個(gè)環(huán)節(jié)，預(yù)處理的效果直接影響到識(shí)別結(jié)果。

3.1 語(yǔ)音采樣

Nyquist采樣定理表明[3]:如果模擬信號(hào)的頻譜帶寬是有限的，且假設(shè)其信號(hào)不包含高于fm的頻率成分，那么用等于或大于2fm的取樣頻率進(jìn)行取樣，或者說(shuō)用等于或小于1/(2 fm)的間隔取樣，所得到的等間隔離散時(shí)間取樣值或取樣信號(hào)就能夠完全唯一的代表原信號(hào)，就能夠由取樣信號(hào)恢復(fù)出原始模擬信號(hào)來(lái)。

語(yǔ)音識(shí)別時(shí)常用的采樣頻率為10 kHz或16 kHz。南疆維吾爾語(yǔ)語(yǔ)音信號(hào)是在實(shí)驗(yàn)室環(huán)境下用PC機(jī)進(jìn)行采集，語(yǔ)音信號(hào)以單聲道PCM格式，選擇采樣率為16 kHz，采樣精度是16 bit，采集到的語(yǔ)音以.wav格式文件存儲(chǔ)。實(shí)驗(yàn)室條件下采集語(yǔ)音信號(hào)質(zhì)量高，信號(hào)干擾小，便于預(yù)處理。

3.2 預(yù)加重處理

對(duì)語(yǔ)音信號(hào)進(jìn)行分析要先進(jìn)行預(yù)加重處理，按照語(yǔ)音能量損耗規(guī)律，語(yǔ)音信號(hào)高頻部分約以6dB/倍頻程下降。預(yù)加重處理一般采用6dB/oct來(lái)提升高頻部分，使語(yǔ)音信號(hào)的頻譜變得平坦，分布在低頻到高頻的整個(gè)頻帶中，以便于進(jìn)行頻譜分析和聲道參數(shù)分析。

常用的預(yù)加重處理方法有以下兩種[4]:

(1)采用6dB/oct(20dB/dec)的高頻增強(qiáng)濾波器來(lái)實(shí)現(xiàn)，傳遞函數(shù)為

(2)采用一階的數(shù)字濾波器來(lái)實(shí)現(xiàn)，傳遞函數(shù)為H(z)=1－αz－1，其中α為預(yù)加重系數(shù)，可取1或比1稍小的值。

在對(duì)維吾爾語(yǔ)語(yǔ)音預(yù)加重處理時(shí)，采用軟件處理方法，預(yù)加重系數(shù)取α=0.94，圖2為南疆阿克蘇阿瓦提采集到的維語(yǔ)數(shù)字“0”語(yǔ)音在預(yù)加重處理后的時(shí)域波形圖。

圖2 數(shù)字“0”語(yǔ)音在預(yù)加重后的時(shí)域波形圖

3.3 端點(diǎn)檢測(cè)[5，6]

采集到的語(yǔ)音信息是一段時(shí)間內(nèi)的連續(xù)信息，將要處理識(shí)別的信息稱為有效語(yǔ)音，采集信息中還包含有效語(yǔ)音前信息和有效信息后語(yǔ)音信息。在語(yǔ)音中，要準(zhǔn)確獲得識(shí)別有效信息，就要對(duì)語(yǔ)音信號(hào)進(jìn)行端點(diǎn)檢測(cè)。端點(diǎn)檢測(cè)的目的是確定語(yǔ)音信息中的有效語(yǔ)音起始位置和終止位置，獲取最終的識(shí)別有效信息，端點(diǎn)檢測(cè)的檢測(cè)精度將直接影響到識(shí)別精度。

通過(guò)對(duì)南疆維吾爾語(yǔ)語(yǔ)音波形特征進(jìn)行分析，選擇從語(yǔ)音信號(hào)的時(shí)域短時(shí)參數(shù)、短時(shí)平均幅度和短時(shí)過(guò)零率三個(gè)方面來(lái)進(jìn)行端點(diǎn)檢測(cè)，實(shí)驗(yàn)效果較好。在處理時(shí)選擇信號(hào)在10ms到20ms之間，取幀長(zhǎng)為20 ms(采樣率為16 KHz)，每幀320(N)個(gè)信號(hào)樣值S(n)，其中n=0，1，2…，N－1。

短時(shí)平均幅度處理函數(shù)為:

短時(shí)過(guò)零率處理函數(shù)為:

在MATLAB中，南疆阿克蘇阿瓦提采集的維語(yǔ)數(shù)字“0”語(yǔ)音信號(hào)進(jìn)行短時(shí)平均幅度處理效果如圖3所示。

圖3 數(shù)字“0”語(yǔ)音短時(shí)幅值波形圖

進(jìn)行短時(shí)過(guò)零率處理，結(jié)果如圖4所示。

圖4 數(shù)字“0”語(yǔ)音短時(shí)過(guò)零率處理圖

端點(diǎn)檢測(cè)后獲得有效語(yǔ)音信息，數(shù)字“0”語(yǔ)音有效信息波形圖如下圖5所示。

圖5 數(shù)字“0”語(yǔ)音端點(diǎn)檢測(cè)有效信息波形圖

4 特征提取與識(shí)別模型

語(yǔ)音信息特征的提取與選擇是語(yǔ)音識(shí)別的基礎(chǔ)、關(guān)鍵，特征參數(shù)的提取與選擇將直接關(guān)系到識(shí)別分類器的設(shè)計(jì)。語(yǔ)音信號(hào)中包含的信息非常豐富，通過(guò)對(duì)語(yǔ)音信號(hào)進(jìn)行分析處理，去掉無(wú)關(guān)冗余信息，獲得能夠反映語(yǔ)音對(duì)象的狀態(tài)、本質(zhì)及性質(zhì)等影響語(yǔ)音識(shí)別的重要特征參數(shù)，并且特征要求對(duì)分類有效，具有較高的模式區(qū)分能力。

目前在語(yǔ)音識(shí)別中常用的特征提取參數(shù)有Mel倒譜系數(shù)(MFCC)、線性預(yù)測(cè)系數(shù)(LPCC)以及它們的變體。經(jīng)過(guò)對(duì)南疆維吾爾語(yǔ)發(fā)音特點(diǎn)分析，語(yǔ)音的個(gè)性特征很大程度上體現(xiàn)在發(fā)音聲道變化上，及聲道頻率特征明顯，故采用計(jì)算Mel倒譜系數(shù)作為特征參數(shù)。

倒譜系數(shù)的計(jì)算方法[7]是將一幀中的語(yǔ)音信號(hào)表示為:s(n)=h(n)*i(n)，其中h(n)為語(yǔ)音信號(hào)s(n)的音源激勵(lì)，i(n)為s(n)的聲道沖激相應(yīng)。對(duì)乘積h(n)*i(n)取幅度對(duì)數(shù)，再對(duì)所得到聲道沖激響應(yīng)和音源激勵(lì)的傅里葉變換的對(duì)數(shù)之和進(jìn)行逆傅里葉變換，得到語(yǔ)音信號(hào)倒譜為:

即為聲道分量的倒譜h`(n)和音源激勵(lì)分量的倒譜之i`(n)和，其中h`(n)是非常有效的語(yǔ)音特征參數(shù)。

識(shí)別算法提供有效計(jì)算語(yǔ)音的特征矢量序列和每個(gè)發(fā)音樣本之間的距離。目前比較成熟的語(yǔ)音識(shí)別算法模型有模板匹配模型、向量量化模型、高斯混合模型、隱馬爾可夫模型、神經(jīng)網(wǎng)絡(luò)模型以及多方法混合模型，在南疆維吾爾語(yǔ)音識(shí)別中采用成熟的模板匹配算法[8]來(lái)實(shí)現(xiàn)。

先對(duì)識(shí)別樣本進(jìn)行訓(xùn)練，提取MFCC系數(shù)存儲(chǔ)在訓(xùn)練模板信息庫(kù)中。在識(shí)別時(shí)先提取輸入語(yǔ)音的特征參數(shù)(MFCC系數(shù))，將該特征參數(shù)與訓(xùn)練模板信息庫(kù)中特征參數(shù)進(jìn)行相似度比較，相似度最高的就作為識(shí)別結(jié)果。在實(shí)際過(guò)程中，語(yǔ)音信號(hào)具有較大的隨機(jī)性，這些時(shí)長(zhǎng)的變化會(huì)影響測(cè)度的估計(jì)，因此在識(shí)別過(guò)程中需要對(duì)說(shuō)話偏差率進(jìn)行補(bǔ)償，常用的有效方法為動(dòng)態(tài)時(shí)間規(guī)整(Dynamic Time Warping，DTW)方法[9]。DTW是一種非線性規(guī)整，它將時(shí)間規(guī)整和距離測(cè)度計(jì)算相結(jié)合，設(shè)參考樣本的特征矢量序列為X={x1，x2，A，xI}，待識(shí)別語(yǔ)音特征矢量序列為Y={y1，y2，A，yJ}通常因?yàn)闀r(shí)間不完全一致，I和J并不相等，DTW算法就是通過(guò)局部?jī)?yōu)化的方法實(shí)現(xiàn)加權(quán)距離總和最小，即

其中f作為二者的匹配路徑。

5 實(shí)驗(yàn)分析

MATLAB軟件中提供了強(qiáng)大的語(yǔ)音處理工具包，借助該軟件仿真實(shí)現(xiàn)了一個(gè)非特定人的南疆維吾爾語(yǔ)的語(yǔ)音識(shí)別系統(tǒng)。系統(tǒng)使用10個(gè)常用詞作為測(cè)試樣本，發(fā)音為和田方言，選擇在實(shí)驗(yàn)室環(huán)境下每詞發(fā)音16次，錄音為單聲道PCM格式，采樣率為16 kHz，對(duì)應(yīng)采樣精度為16 bit。將采用中的10個(gè)語(yǔ)音數(shù)據(jù)作為訓(xùn)練樣本，對(duì)訓(xùn)練樣本經(jīng)預(yù)處理后分別提取特征參數(shù)，然后對(duì)同1個(gè)詞的10個(gè)樣本特征參數(shù)進(jìn)行兩兩計(jì)算相似度，選擇匹配距離最小的3組，進(jìn)行第2輪篩選。在第2輪篩選中，用第1次選出每詞3個(gè)樣本和其余9個(gè)樣本的10個(gè)樣本進(jìn)行兩兩計(jì)算相似度，選擇匹配距離最大的2組作為模板樣本。對(duì)所有選出的模版樣本進(jìn)行訓(xùn)練，提取Mel倒譜系數(shù)作為特征參數(shù)，并將訓(xùn)練樣本特征存儲(chǔ)。所有樣本模板訓(xùn)練好后，用其他6個(gè)語(yǔ)音數(shù)據(jù)作為測(cè)試樣本對(duì)該系統(tǒng)進(jìn)行試驗(yàn)。

上述試驗(yàn)對(duì)南疆和田方言發(fā)音的6名特定人進(jìn)行測(cè)試，10個(gè)詞，每詞測(cè)試樣本7個(gè)，總測(cè)試樣本為420，識(shí)別正確樣本394，識(shí)別正確率為93.8%，識(shí)別效果較好。

6 結(jié)論與展望

實(shí)驗(yàn)表明本研究方法對(duì)南疆維吾爾語(yǔ)語(yǔ)音(方言)非特定人語(yǔ)音識(shí)別效果較好，獲得了較理想的實(shí)驗(yàn)效果。但由于維吾爾語(yǔ)音方言發(fā)音復(fù)雜，包含音素豐富[10]，聲道頻率變化多樣，較難提取出穩(wěn)定的特征參數(shù)，識(shí)別難度大，距離自由人機(jī)交互的應(yīng)用更是還有很長(zhǎng)的路要走。

本研究方法對(duì)維吾爾語(yǔ)語(yǔ)音實(shí)驗(yàn)研究有一定的借鑒意義，后期該項(xiàng)工作還有待優(yōu)化與完善，進(jìn)一步分析其語(yǔ)音發(fā)音特點(diǎn)，優(yōu)化特征選擇及提取方法，設(shè)計(jì)多分類器識(shí)別模型，提高識(shí)別魯棒性及識(shí)別效率。

[1] 姑麗加瑪麗·麥麥提艾力，艾斯卡爾·艾木都拉.多基元及韻律參數(shù)匹配的維吾爾語(yǔ)語(yǔ)音合成方法[J] .計(jì)算機(jī)工程與應(yīng)用，2012，48(2):116－117.

[2] 艾斯卡爾·艾木都拉.從實(shí)驗(yàn)語(yǔ)音學(xué)角度探析維吾爾語(yǔ)鼻音的聲學(xué)特征[J] .中文信息學(xué)報(bào)，2012(1):110－111.

[3] 高琨琦.淺談數(shù)字音頻處理中的關(guān)鍵問(wèn)題[J] .電聲技術(shù)，2011(8):66.

[4] 吳朝暉，楊瑩春.說(shuō)話人識(shí)別模型與方法[M] .北京:清華大學(xué)出版社，2009:20－21.

[5] 汪石農(nóng)，許鋼等.多語(yǔ)音特征參數(shù)的端點(diǎn)檢測(cè)方法研究[J] .計(jì)算機(jī)工程與設(shè)計(jì)，2012(2):685－686.

[6] 韓立華，王博等.語(yǔ)音端點(diǎn)檢測(cè)技術(shù)研究進(jìn)展[J] .計(jì)算機(jī)應(yīng)用研究，2010(4):1222－1223.

[7] 趙力編著.語(yǔ)音信號(hào)處理[M] .北京:機(jī)械工業(yè)出版社，2009:51－52.

[8] 聶曉飛，趙禹，詹慶才.一種基于模板匹配的語(yǔ)音識(shí)別算法[J] .電子設(shè)計(jì)工程，2011(19):58－59.

[9] 胡金平;陳若珠;李戰(zhàn)明;語(yǔ)音識(shí)別中DTW改進(jìn)算法的研究[J] .微型機(jī)與應(yīng)用，2011(3):30－31.

[10] 木合塔爾·沙地克等.維吾爾語(yǔ)廣播新聞連續(xù)語(yǔ)音敏感詞檢索系統(tǒng)[J] .計(jì)算機(jī)系統(tǒng)應(yīng)用，2012(3):29－31.