鄭永軍 張連海

（解放軍信息工程大學信息系統(tǒng)工程學院，鄭州，450001）

引 言

關(guān)鍵詞識別（Keyword recognition，KWR），亦稱關(guān)鍵詞檢測（keyword spotting，KWS）［1］，是指在語音數(shù)據(jù)中查找到所有可能出現(xiàn)的給定詞的過程。語音關(guān)鍵詞檢測技術(shù)被看作是能有效處理口語和實現(xiàn)人機智能通信的解決方案之一［2］。目前KWS面臨的一個主要挑戰(zhàn)是集外詞（Out－of－vocabulary，OOV）的檢測。集外詞是指那些不在系統(tǒng)字典里的詞。出現(xiàn)集外詞的原因是由于系統(tǒng)詞表有一個固定的大小，不能覆蓋全部的詞匯，隨著人類語言的變化發(fā)展，會產(chǎn)生更多的新詞，這些詞都是集外詞，而它們也是人們關(guān)注的關(guān)鍵詞。OOV的檢測性能相比集內(nèi)詞有一定差距，主要是因為OOV具有很高的發(fā)音不確定性和多樣性，并且發(fā)音的不確定性很難通過聲學和語言學模型來建模［3］。

解決OOV檢測問題的常用方法是應(yīng)用子詞建模單元，例如：音素、音節(jié)、字形（Grapheme）、字形音素對（Graphone）和詞片段（Word－fragment）等，首先將集外詞轉(zhuǎn)換為子詞序列，然后將這些子詞序列在先前創(chuàng)建的索引中檢索。文獻［4］根據(jù)聲學混淆度和語言模型得分將集外詞擴展為集內(nèi)詞，彌補集外詞的識別錯誤。文獻［5］提出了動態(tài)匹配詞格檢索（Dynamic match lattice spotting，DMLS）方法，將基于音素Lattice的快速檢測和動態(tài)序列匹配技術(shù)融合在一起，實現(xiàn)了快速而準確的關(guān)鍵詞開集檢測。文獻［6］應(yīng)用聯(lián)合最大熵N元模型進行查詢擴展，提升了語音文檔檢索的性能。文獻［7］采用隨機發(fā)音建模方法補償集外詞發(fā)音的不確定性，在索引中檢測集外詞所有可能的發(fā)音。文獻［8］提出了前后綴查詢擴展方法，并引入有窮自動機壓縮檢索空間，實現(xiàn)了高效的中文語音檢索。文獻［9－11］將多種語音索引系統(tǒng)融合在一起，應(yīng)用不同子詞建模單元間的互補性來提升集外詞檢測的性能。

動態(tài)匹配應(yīng)用最小編輯距離（Minimum edit distance，MED）作為置信度，在檢索時允許一定的誤匹配，替換、插入和刪除錯誤代價通過音素混淆矩陣得到，主要應(yīng)用的是聲學信息。而查詢擴展通常是創(chuàng)建與集外詞相關(guān)的多種發(fā)音，應(yīng)用的是字形和發(fā)音之間的對應(yīng)信息，沒有應(yīng)用聲學信息。兩者是在不同的層面補償集外詞發(fā)音的不確定性，理論上存在一定的互補性，基于此，本文將查詢擴展和動態(tài)匹配融合在一起解決集外詞的檢測問題。首先利用DMLS方法搭建一個關(guān)鍵詞檢測系統(tǒng)，然后分析研究基于聯(lián)合多元模型（Joint－multigram model，JMM）［12－13］的查詢擴展和基于 MED 的動態(tài)匹配，最后將查詢擴展和動態(tài)匹配融合在一起，采用了兩種融合方法，一種是結(jié)果融合，另一種是置信度融合。實驗結(jié)果表明二者的融合提升了系統(tǒng)性能。

1 基于DMLS的關(guān)鍵詞檢測系統(tǒng)

基于DMLS的關(guān)鍵詞檢測系統(tǒng)框架如圖1所示。

圖1 基于DMLS的關(guān)鍵詞檢測系統(tǒng)框架Fig.1 Architecture of keyword spotting system based on DMLS

索引階段首先采用BUT的連續(xù)語音識別系統(tǒng)［14］生成音素Lattice，音素Lattice提供了每個語音片段詳細的音素表示形式，然后執(zhí)行一個改進的維特比算法遍歷Lattice來創(chuàng)建一個固定長度的音素序列數(shù)據(jù)庫（Sequence database，SDB），作為后續(xù)檢索操作的索引。后端檢索階段為研究的重點，本文主要研究集外詞的檢測。當一個集外詞查詢項提交給系統(tǒng)時，首先應(yīng)用聯(lián)合多元模型將集外詞擴展為n－best發(fā)音的表示形式，并得到其發(fā)音的概率得分。其次，采用基于最小編輯距離的動態(tài)匹配確定與查詢項發(fā)音近似匹配的音素序列。最后根據(jù)查詢擴展和動態(tài)匹配的不同融合方法得到檢測結(jié)果。

2 融合查詢擴展和動態(tài)匹配的改進

2.1 基于JMM的查詢擴展

一個 LTS（Letter－to－sound）模型通常被定義為字形G＝（g1，g2，…，gL）和發(fā)音Q＝（q1，q2，…，qR）兩個符號序列之間的隨機映射。字形和發(fā)音是在同樣的社會背景下發(fā)展起來的兩個系統(tǒng)，兩者之間具有緊密的聯(lián)系，遵循不同的規(guī)則。字形和發(fā)音間的對應(yīng)關(guān)系定義為字形和發(fā)音序列間的映射，其分量被稱為字音對（Grapheme－phoneme pair）。最簡單的映射為一個音素對應(yīng)一個字形，如果字形和發(fā)音長度不同，可以插入空字符，此外多對多的映射也是合理的，例如圖2給出了詞“speaking”的字形和發(fā)音的對應(yīng)關(guān)系。

圖2 詞“speaking”的字形和發(fā)音對應(yīng)關(guān)系Fig.2 Grapheme－phoneme correspondence of the word"speaking"

JMM的基本思想是對字形和發(fā)音的聯(lián)合概率進行建模。多元Multigram是一個符號序列，長度可以為0，1或是更長。一個字音對包含一個字形多元和一個音素多元，因此也被稱為聯(lián)合多元。按照文獻［12］的定義，一個聯(lián)合多元u＝被稱為graphone，其中為字形分量，為音素分量。字形和發(fā)音的對應(yīng)關(guān)系用U表示，實際為一個graphone序列，表示為

式中H為graphone的長度和要滿足如下約束

式中：符號∧表示連接；L和R分別為字形和音素序列的長度和包含長度可變的符號。字形和發(fā)音的映射可以用graphone來描述。為了描述字形發(fā)音映射的隨機屬性，可以對U的概率分布進行建模，即聯(lián)合多元模型，通常表示為

在JMM中，字形G和發(fā)音Q的聯(lián)合概率為所有可能graphone序列的概率總和，表示為

式中G（U）和Q（U）分別為對應(yīng)于U的字形和音素序列。那么發(fā)音預測公式為

式中P（U）可以應(yīng)用標準的n元語言模型建模，得到

本文應(yīng)用工具包Sequitur G2P［15］訓練JMM模型，n－best發(fā)音預測解碼算法詳見文獻［12］。應(yīng)用JMM模型可以將集外詞查詢項term擴展為其n－best發(fā)音的表示形式（Q1，P（Q1｜G）），…，（Qn，P（Qn｜G）），Qi為一個發(fā)音，P（Qi｜G）為其相應(yīng)的發(fā)音得分，代表這一發(fā)音的概率。以詞“bungalow”的查詢擴展為例，如表1所示。每一個發(fā)音Qi的置信度可以用其發(fā)音得分的對數(shù)表示，如式（7）所示。在集外詞檢測時，如果在索引中同一時段內(nèi)檢測到查詢項term的多個發(fā)音時，將檢測結(jié)果合并并分配最大的發(fā)音得分置信度，如式（8）所示。

表1 詞“bungalow”的查詢擴展Table 1 Query expansion of the word″bungalow″

2.2 基于MED的動態(tài)匹配

在語音識別中，經(jīng)常會出現(xiàn)替換、插入和刪除錯誤（見圖3），并且集外詞出現(xiàn)識別錯誤的概率更高，這嚴重影響關(guān)鍵詞檢測的性能。因此在檢索中采用動態(tài)匹配，應(yīng)用最小編輯距離作為置信度，允許一定的誤匹配來補償識別錯誤。

最小編輯距離又稱為Levenshtein距離，主要用于度量將一個字符串轉(zhuǎn)換為另外一個字符串所付出的最小代價。這種轉(zhuǎn)換主要包含4種編輯操作：匹配、替換、插入和刪除，通常每種編輯操作都會有相應(yīng)的代價。本文應(yīng)用MED檢測和查詢項term的發(fā)音Q（目標音素序列）近似匹配的索引音素序列。MED計算的核心思想是應(yīng)用一個代價矩陣來累加轉(zhuǎn)換代價，執(zhí)行一個遞推過程來更新代價矩陣的各個元素，從而確定整體的最小轉(zhuǎn)換代價。定義Φ＝（φ1，φ2，…，φN）為索引音素序列，Q＝（q1，q2，…，qM）為目標音素序列，ΩN＋1×M＋1為N＋1×M＋1維的代價矩陣，Cs（φi，qj），Ci（φi）和Cd（qj）分別為替換、插入和刪除代價Ωi，j為代價矩陣Ω中的元素，表示將子序列變換為的最小代價。具體流程如下：

（1）初始化一個N＋1×M＋1維的代價矩陣Ω，矩陣的第一個元素Ω0，0＝0；

（2）初始化代價矩陣的第一行元素

（3）初始化代價矩陣的第一列元素

（4）從左到右從上到下依次更新代價矩陣的元素

圖3 語音識別常見錯誤Fig.3 Common errors in speech recognition

ΩN，M即為將Φ轉(zhuǎn)換為Q的最小代價，通常情況下N≥M，所以還要執(zhí)行一個回溯算法尋找最優(yōu)路徑，并在最優(yōu)路徑上確定和Q最為近似的音素子序列Φ′，得到時間邊界信息和最小編輯距離Δ（Φ′，Q）。在DMLS中，某一檢測結(jié)果的置信度得分被簡單定義為索引音素子序列Φ′和目標音素序列Q之間距離的負值，如式（12）所示。如果CMED（Φ′，Q）在設(shè)定的閾值范圍之內(nèi)，那么Φ′就為檢測結(jié)果。

在MED的原始定義中，替換、插入和刪除的代價通常為1，不能完全反映各個音素之間識別錯誤的規(guī)律和模糊發(fā)音現(xiàn)象。因此可以通過觀察音素識別器實際產(chǎn)生的音素錯誤訓練得到改進的替換、插入和刪除錯誤代價［16］。HTK工具包中的HResults被用于對齊訓練集音素識別結(jié)果和參考的音素標注，生成一個音素混淆矩陣。替換、插入和刪除錯誤代價可以通過最大似然估計從音素混淆矩陣中訓練得到。應(yīng)用音素混淆度加權(quán)的MED可以更好地補償音素識別錯誤，從而改善關(guān)鍵詞檢測的準確性。

2.3 融合查詢擴展和動態(tài)匹配

由上文可知，查詢擴展和動態(tài)匹配是在不同的層面補償集外詞發(fā)音的不確定性，理論上存在一定的互補性，可以將二者融合在一起進行集外詞的檢測。本文研究了兩種融合方法，第一種是結(jié)果融合（如圖4所示）。分別應(yīng)用查詢擴展和動態(tài)匹配并行的檢測集外詞。查詢擴展：應(yīng)用JMM將集外詞查詢項term擴展為n－best發(fā)音Qi，1≤i≤n，然后將這些發(fā)音在索引中進行精確匹配，得到檢測結(jié)果。動態(tài)匹配：同樣是應(yīng)用JMM得到term的1－best發(fā)音Q1－best，然后在索引中采用動態(tài)匹配，檢索和Q1－best近似的結(jié)果。最后將兩個系統(tǒng)在索引中的同一時間段內(nèi)出現(xiàn)的檢測結(jié)果合并，并分配最大的置信度得分（如式（13）），同時保留不同的檢測結(jié)果。

另外一種方法是置信度融合，最小編輯距離衡量的是查詢項發(fā)音（目標音素序列）和索引音素序列間的相似度，而發(fā)音得分描述的是發(fā)音和字形之間的對應(yīng)關(guān)系，兩種置信度都是和發(fā)音相關(guān)的，且在同一個數(shù)量級上，可以將MED和發(fā)音得分融合構(gòu)成混合置信度進行集外詞的檢出和確認，如式（14）所示。

圖4 查詢擴展和動態(tài)匹配的結(jié)果融合Fig.4 Result fusion between query expansion and dynamic match

式中η為加權(quán)因子，平衡MED和發(fā)音得分兩種置信度的貢獻度。在實際檢測中，同一個查詢項term的多個發(fā)音可能會出現(xiàn)在索引中的同一時間段內(nèi)，需要合并檢測結(jié)果并分配最大的置信度得分，如式（15）所示。實驗表明置信度融合的方法更好，有效提升了系統(tǒng)的性能。

2.4 算法步驟

（1）采用連續(xù)語音識別系統(tǒng)生成音素Lattice；

（2）執(zhí)行一個改進的維特比算法遍歷Lattice來創(chuàng)建索引；

（3）應(yīng)用發(fā)音字典CMUdict訓練JMM模型；

（4）應(yīng)用JMM模型將集外詞查詢項擴展為其n－best音素發(fā)音；

（5）應(yīng)用兩種不同的融合方法在索引中檢索關(guān)鍵詞，并根據(jù)置信度閾值輸出檢測結(jié)果。

3 實驗結(jié)果及分析

3.1 實驗配置

本文實驗采用TIMIT語料庫，主要分為TRAIN和TEST兩個文件集合。本文實驗選擇TRAIN中3 696個語句作為訓練集，選擇TEST中1 344個語句作為測試集，未采用其中適合于說話人實驗的SA1和SA2中的語句。TIMIT語料庫中共含有61個音素單元，其劃分較為精細，按照BUT的劃分標準，將TIMIT中61個音素映射為39個音素，如將塞音的成阻（Closure）和除阻（Burst）部分合并（bcl b→b）。實驗選取的集外詞規(guī)模為100個，各關(guān)鍵詞在測試集TEST中出現(xiàn)的次數(shù)總共為344次。訓練JMM模型應(yīng)用的是卡耐基梅隆大學的英文發(fā)音字典CMUdict，該字典共包含125 000個英文單詞，訓練時剔除了1 832個和實驗選取的集外詞相關(guān)的單詞。

3.2 評價標準

本文采用接收機工作特性（Receiver operating characteristics，ROC）曲線和品質(zhì)因數(shù)（Figure of merit，F(xiàn)OM）［17］作為系統(tǒng)性能的評價指標。ROC曲線定義為不同的置信度閾值下，系統(tǒng)的召回率PRecall隨虛警率PFA的變化趨勢，反映了系統(tǒng)的綜合性能。召回率PRecall為正確的關(guān)鍵詞檢測結(jié)果數(shù)量Ncorrect占實際出現(xiàn)的關(guān)鍵詞數(shù)量Ntrue的百分比。虛警率PFA定義為虛警個數(shù)NFA被分母歸一化后的結(jié)果，H為語音文檔長度，S為關(guān)鍵詞詞表大小，如式（16，17）所示。FOM定義為虛警率在0～10范圍內(nèi)的平均召回率，如式（18）所示。

3.3 系統(tǒng)性能比較

將基于JMM查詢擴展的檢測方法記為CJMM，基于動態(tài)匹配的檢測方法記為CMED，第一種融合查詢擴展和動態(tài)匹配的檢測方法記為CMED＋JMM，第二種融合方法記為Cfusion。表2對比了不同系統(tǒng)集外詞檢測的性能，圖5給出了相應(yīng)的ROC曲線。從圖中可以看出CMED方法優(yōu)于CJMM方法，主要是由于動態(tài)匹配在檢索中綜合考慮了音素識別的錯誤規(guī)律，能夠更好地補償集外詞的不確定性。同時，兩種方法又是在不同的層面補償集外詞發(fā)音的不確定性，理論上存在一定的互補性，實驗結(jié)果也驗證了這一點。第一種融合方法相比單一的動態(tài)匹配，F(xiàn)OM相對提升了3.9%，說明直接將兩種方法的檢測結(jié)果融合具有一定的互補性，但性能提升有限，需要進一步進行優(yōu)化融合方法。

在第二種融合方法中，查詢擴展的階數(shù)n和加權(quán)因子η共同決定系統(tǒng)的最終性能。表3給出了Cfusion方法在不同擴展階數(shù)n和加權(quán)因子η下系統(tǒng)的性能。當查詢擴展為2－best發(fā)音，加權(quán)因子η＝0.7時，F(xiàn)OM相對提升了19.8%，具有最優(yōu)的系統(tǒng)性能。這說明在優(yōu)化了擴展階數(shù)和置信度得分貢獻度后，第二種融合方法效果更好。另外，分析表3的實驗結(jié)果可知在動態(tài)匹配中已經(jīng)允許一定的誤匹配存在，如果查詢擴展階數(shù)較大，虛警率將急劇增加，影響整體性能，當擴展為3－best發(fā)音時，F(xiàn)OM下降已經(jīng)非常明顯。

表2 不同系統(tǒng)集外詞檢測性能的比較Table 2 Comparison of OOV detection performance in different systems

表3 Cfusion方法在不同參數(shù)下的FOMTable 3 FOM of Cfusionmethod using different parameters

4 結(jié)束語

圖5 不同集外詞檢測系統(tǒng)的ROC曲線Fig.5 ROC curves of various OOV detection systems

針對關(guān)鍵詞檢測中集外詞檢測性能較低的問題，本文提出了一種改進的集外詞檢測方法，將基于聯(lián)合多元模型的查詢擴展和基于最小編輯距離的動態(tài)匹配融合在一起。本文研究了兩種融合方法：第一種方法是直接將兩者的檢測結(jié)果進行融合，性能有一定提升；第二種方法通過引入一個加權(quán)因子η來優(yōu)化平衡最小編輯距離和發(fā)音得分置信度的貢獻度。實驗結(jié)果表明，在擴展為2－best發(fā)音，加權(quán)因子η＝0.7時，查詢擴展和動態(tài)匹配具有最優(yōu)的互補性，F(xiàn)OM相對提高了19.8%。下一步的工作重點是研究混合索引問題，提升系統(tǒng)的實用性。

［1］王炳錫，屈丹，彭煊.實用語音識別基礎(chǔ)［M］.北京：國防工業(yè)出版社，2005：287－291.Wang Bingxi，Qu Dan，Peng Xuan.Practical fundamentals of speech recognition［M］.Beijing：National Defense Industry Press，2005：287－291.

［2］孫成立.語音關(guān)鍵詞識別技術(shù)的研究［D］.北京：北京郵電大學，2008：1－2.Sun Chengli.A study of speech keyword recognition technology［D］.Beijing：Beijing University of Posts and Telecommunications，2008：1－2.

［3］Wang Dong.Out－of－vocabulary spoken term detection［D］.Edinburgh：School of Informatics，University of Edinburgh，2010：9－13.

［4］Logan B，Thong J M V.Confusion－based query expansion for OOV words in spoken document retrieval［C］／／The 7th International Conference on Spoken Language Processing.Colorado，USA：ISCA，2002：1997－2000.

［5］Thambiratmann K，Sridharan S.Rapid yet accurate speech indexing using dynamic match lattice spotting［J］.IEEE Transactions on Audio，Speech，and Language Processing，2007，15（1）：346－357.

［6］Mamou J，Ramabhadran B.Phonetic query expansion for spoken document retrieval［C］／／The 9th Annual Conference of the International Speech Communication Association.Brisbane，Australia：ISCA，2008：2106－2109.

［7］Wang Dong，King S，F(xiàn)rankel J.Stochastic pronunciation modeling for out－of－vocabulary spoken term detection［J］.IEEE Transactions on Audio，Speech，and Language Processing，2011，19（4）：688－698.

［8］李偉，吳及，呂萍.基于查詢擴展的中文語音高效檢索［J］.模式識別與人工智能，2011，24（4）：561－566.Li Wei，Wu Ji，LüPing.Query expansion based high performance Chinese voice retrieval［J］.Pattern Recognition and Artificial Intelligence，2011，24（4）：561－566.

［9］Qin Long，Sun Ming，Rudnicky A.System combination for out－of－vocabulary word detection［C］／／IEEE International Conference on Acoustic，Speech and Signal Processing.Kyoto，Japan：IEEE，2012：4817－4820.

［10］Xu Yong，Guo Wu，Dai Lirong.A hybrid fragment／syllable－based system for improved OOV term detection［C］／／The 8th International Symposium on Chinese Spoken Language Processing.Hong Kong，China：［s.n.］，2012：378－382.

［11］Kanda N，Itoyama K，Okuno H G.Multiple index combination for Japanese spoken term detection with optimum index selection based on OOV－region classifier［C］／／IEEE International Conference on Acoustic，Speech and Signal Processing.Vancouver，Canada：IEEE，2013：8540－8544.

［12］Bisani M，Ney H.Joint－sequence models for grapheme－to－phoneme conversion［J］.Speech Communication，2008，50（5）：434－451.

［13］Jouvet D，F(xiàn)ohr D，Illina I.Evaluating grapheme－tophoneme converters in automatic speech recognition context［C］／／IEEE International Conference on A－coustic，Speech and Signal Processing.Kyoto，Japan：IEEE，2012：4821－4824.

［14］Grezl F，Karafiat M.Integrating recent MLP feature extraction techniques into TRAP architecture［C］／／The 12th Annual Conference of the International Speech Communication Association.Florence，Italy：ISCA，2011：1229－1232.

［15］Hahn S，Lehnen P，Wiesler S，et al.Improving LVCSR with hidden conditional random fields for grapheme－to－phoneme conversion［C］／／The 14th Annual Conference of the International Speech Communication Association.Lyon，F(xiàn)rance：ISCA，2013：495－499.

［16］Wallace R.Fast and accurate phonetic spoken term detection［D］.Queensland：Queensland University of Technology，2010：51－90.

［17］Wallace R，Baker B，Vogt R，et al.Discriminative optimization of the figure of merit for phonetic spoken term detection［J］.IEEE Transactions on Audio，Speech，and Language Processing，2011，19（6）：1677－1687.