陳 樹(shù)， 于海波

(江南大學(xué) 物聯(lián)網(wǎng)工程學(xué)院，江蘇 無(wú)錫 214122)

0 引 言

對(duì)于一個(gè)具體的語(yǔ)音識(shí)別系統(tǒng)，會(huì)存在噪聲問(wèn)題(環(huán)境噪聲或者說(shuō)話人因素造成的噪聲)，這種差異性信息，必然會(huì)帶入到建模的過(guò)程中。而在測(cè)試階段，這種差異性往往會(huì)發(fā)生變化，從而導(dǎo)致訓(xùn)練模型和識(shí)別數(shù)據(jù)的失配，進(jìn)而導(dǎo)致系統(tǒng)的誤識(shí)率提高[1]。

目前，使用最為廣泛的特征參數(shù)為線性預(yù)測(cè)倒譜系數(shù)(linear prediction cepstral coefficients,LPCC)和梅爾頻率倒譜系數(shù)(mel frequency cepstral coefficients,MFCC)[2]，但是2種參數(shù)在噪聲環(huán)境下的識(shí)別性能較差，如何在噪聲環(huán)境中提取具有較高識(shí)別率的特征參數(shù)一直是研究熱點(diǎn)之一。2011年，Li Q首次提出了耳蝸倒譜系數(shù)(cochlear filter cepstral coefficient，CFCC)[3]，在噪聲環(huán)境中的識(shí)別性能優(yōu)于MFCC參數(shù)，但在低信噪比時(shí)，識(shí)別率仍然出現(xiàn)了大幅下降且CFCC的特征區(qū)分能力不強(qiáng)。此外，國(guó)內(nèi)外的許多學(xué)者也提出了諸多對(duì)原有特征提取的優(yōu)化方法。文獻(xiàn)[4]將MFCC和線性預(yù)測(cè)編碼(linear predictive coding,LPC)結(jié)合后使用，取得了一定的抗噪聲效果，但是實(shí)時(shí)性較差；文獻(xiàn)[5]將LPC參數(shù)在梅爾頻率下進(jìn)行非線性變換，再進(jìn)行微分等操作，提高了二次特征提取的實(shí)時(shí)性，但識(shí)別精度無(wú)明顯提高；文獻(xiàn)[6]提出了一種針對(duì)MFCC特征參數(shù)的后處理算法，有效降低了噪聲對(duì)系統(tǒng)的影響；文獻(xiàn)[7]將語(yǔ)音幀的能量算子加入到CFCC參數(shù)中，文獻(xiàn)[8]將語(yǔ)音信號(hào)的相位信息與CFCC結(jié)合，并應(yīng)用于說(shuō)話人識(shí)別系統(tǒng)，獲得了較好的魯棒性，但對(duì)語(yǔ)音識(shí)別系統(tǒng)的效果有限。

因此，為了進(jìn)一步提高在噪聲環(huán)境中的語(yǔ)音識(shí)別的識(shí)別率，本文分析了CFCC特征參數(shù)，引入了一種后處理算法針對(duì)CFCC區(qū)分能力低的缺點(diǎn)，對(duì)特征提取后的特征參數(shù)進(jìn)行線性變換，即通過(guò)一種改進(jìn)的線性判別分析(linear discriminant analysis，LDA)線性變換方法對(duì)語(yǔ)音特征參數(shù)進(jìn)行線性變換后，得到了更具有語(yǔ)音區(qū)分能力的特征，引入均值方差歸一化，對(duì)特征參數(shù)歸一化處理，進(jìn)一步降低噪聲對(duì)系統(tǒng)的干擾。實(shí)驗(yàn)結(jié)果表明：經(jīng)過(guò)本文算法提取的特征參數(shù)通過(guò)隱馬爾可夫模型(hidden Markov model，HMM)[9]進(jìn)行訓(xùn)練和識(shí)別，提高了在噪聲環(huán)境中語(yǔ)音識(shí)別率，取得了較好的效果。

1 CFCC特征參數(shù)

CFCC是基于聽(tīng)覺(jué)變換的特征參數(shù)，在噪聲環(huán)境下的識(shí)別性能優(yōu)于傳統(tǒng)的MFCC特征參數(shù)，具有較好的抗噪聲和識(shí)別效果。CFCC特征參數(shù)的提取方法如圖1所示。

圖1 CFCC特征提取框圖

1)耳蝸濾波：Li Q[3]定義了耳蝸濾波器組模擬耳蝸基底膜的作用，濾波器對(duì)語(yǔ)音信號(hào)的處理稱(chēng)聽(tīng)覺(jué)變換其過(guò)程為[3]

(1)

式中f(t)為時(shí)域語(yǔ)音信號(hào)；ψa,b(t)為耳蝸濾波函數(shù)

(2)

式中α,β均為大于0的實(shí)數(shù)，經(jīng)驗(yàn)值為3和0.2，α和β決定了ψa,b(t)的頻域形狀和寬度；u(t)為單位階躍函數(shù)；θ為初始相位；b為隨時(shí)間可變的實(shí)數(shù)；a為尺度變量，由濾波器組的中心頻率fC和最低中心頻率fL決定

(3)

耳蝸濾波器的頻率響應(yīng)如圖2所示。

圖2 耳蝸濾波器的頻率響應(yīng)

2)毛細(xì)胞窗口：用于模擬耳蝸毛細(xì)胞將基底膜振動(dòng)轉(zhuǎn)換為聽(tīng)覺(jué)神經(jīng)信號(hào)的過(guò)程，可由式(4)～式(5)來(lái)表示

h(a,b)=[T(a,b)]2,?a,b

(4)

(5)

3)非線性響度變換：將毛細(xì)胞窗口的輸出由能量值轉(zhuǎn)化為感知響度

y(i,j)=[S(i,j)]1/3

(6)

4)離散余弦變換：進(jìn)行離散余弦變換(discrete cosine transform,DCT)得到最后的CFCC特征參數(shù)。

2 改進(jìn)的CFCC特征提取方法

本文借鑒對(duì)MFCC參數(shù)改進(jìn)的方法，引入了一種改進(jìn)的LDA[10]的方法對(duì)CFCC參數(shù)進(jìn)行了改進(jìn)，在降維的同時(shí)獲得了區(qū)分性更高的新特征。

2.1 改進(jìn)的LDA

HMM用于語(yǔ)音識(shí)別時(shí)，對(duì)角形式的協(xié)方差矩陣是最佳的選擇，可以在有限的訓(xùn)練語(yǔ)料下，通過(guò)較少的模型參數(shù)得到較高的識(shí)別性能。經(jīng)過(guò)LDA變換的語(yǔ)音特征向量雖然已具有了很好的區(qū)分能力，但并不是對(duì)角形式，因此，本文使用最大似然線性變換(maximum likelihood linear transformation,MLLT)對(duì)LDA變換得到的協(xié)方差矩陣對(duì)角化。

LDA的轉(zhuǎn)換公式為

y=WTx

(7)

(8)

Sb計(jì)算如下

(9)

假設(shè)經(jīng)過(guò)LDA求取的矩陣為W，為經(jīng)MLLT變換后的協(xié)方差矩陣，有

(10)

式中N為訓(xùn)練語(yǔ)料的個(gè)數(shù)；Nj為第j個(gè)樣本的語(yǔ)料個(gè)數(shù);θj為第j個(gè)樣本的協(xié)方差矩陣。

2.2 改進(jìn)特征提取步驟

本文對(duì)經(jīng)過(guò)LDA和MLLT變換后的語(yǔ)音特征參數(shù)進(jìn)行歸一化處理，引入了倒譜均值方差歸一化[11](cepstral mean and variance normalization,CMVN)的方法，進(jìn)而提升語(yǔ)音識(shí)別系統(tǒng)的識(shí)別率。語(yǔ)音特征提取的步驟如下：

1)采用CFCC方法提取語(yǔ)音特征參數(shù)。

3)獲得對(duì)角矩陣，在步驟(2)轉(zhuǎn)化后的特征上進(jìn)行MLLT更新，產(chǎn)生對(duì)角矩陣。得到滿足HMM的矩陣。

4)利用CMVN對(duì)特征向量進(jìn)行歸一化處理，得到最終的語(yǔ)音特征參數(shù)。CMVM是將語(yǔ)音特征向量先經(jīng)過(guò)均值歸一化后再進(jìn)行方差歸一化處理，分別如式(11)和式(12)所示

(11)

(12)

式中μ為特征向量的均值；σ為標(biāo)準(zhǔn)差。

經(jīng)上述4個(gè)步驟得到的語(yǔ)音特征參數(shù)具有原CFCC特征參數(shù)幀間的信息，區(qū)分能力更強(qiáng)，且特征維數(shù)和計(jì)算復(fù)雜度未增加，利用均值方差歸一化，降低了加性噪聲和卷積噪聲對(duì)語(yǔ)音信號(hào)的影響。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)數(shù)據(jù)庫(kù)和設(shè)置

實(shí)驗(yàn)數(shù)據(jù)是從清華大學(xué)公開(kāi)語(yǔ)音數(shù)據(jù)庫(kù)中截取的語(yǔ)音數(shù)據(jù)，語(yǔ)音信號(hào)采樣頻率為19 980 Hz，16 bit量化。截取后的語(yǔ)音庫(kù)共有114個(gè)說(shuō)話人(男性57人，女性57人)，每人10條語(yǔ)音數(shù)據(jù)。實(shí)驗(yàn)，采用104人的語(yǔ)音數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，10人為測(cè)試數(shù)據(jù)(其中5人為女性，5人為男性)。噪聲數(shù)據(jù)庫(kù)采用了NOISEX—92噪聲數(shù)據(jù)庫(kù)中的3種典型噪聲：white噪聲、pink噪聲和f16噪聲，將噪聲按不同信噪比分別添加到純凈語(yǔ)音中形成帶噪語(yǔ)音。整個(gè)語(yǔ)音識(shí)別系統(tǒng)采用卡內(nèi)基梅隆大學(xué)開(kāi)發(fā)的Sphinx開(kāi)源工具搭建，聲學(xué)模型為連續(xù)HMM，訓(xùn)練工具為Sphinxtrain，語(yǔ)言模型的訓(xùn)練工具為Cmucmltk。

仿真系統(tǒng)中對(duì)輸入系統(tǒng)的語(yǔ)音信號(hào)進(jìn)行了預(yù)加重，系數(shù)為0.97，按幀長(zhǎng)400個(gè)采樣點(diǎn)進(jìn)行分幀，幀移為160，使用漢明窗進(jìn)行加窗處理。語(yǔ)音的特征參數(shù)選取39維CFCC參數(shù)，噪聲信噪比分別選擇-5，0，5，10，15 dB。

3.2 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)一將MFCC和CFCC 2種特征參數(shù)分別應(yīng)用于語(yǔ)音識(shí)別系統(tǒng)中，比較其在不同信噪比的噪聲中的系統(tǒng)識(shí)別正確率，然后將本文改進(jìn)的特征提取方法應(yīng)用于語(yǔ)音識(shí)別系統(tǒng)中，并對(duì)各個(gè)方法在不同信噪比噪聲中的性能進(jìn)行比較，實(shí)驗(yàn)結(jié)果如圖3所示。

圖3 不同測(cè)試條件下識(shí)別正確率對(duì)比

圖3(a)的數(shù)據(jù)表明：在信噪比較高(10 dB和15 dB)時(shí)，3種特征參數(shù)均達(dá)到了95 %以上的識(shí)別率。但隨著信噪比的降低，使用MFCC參數(shù)的識(shí)別正確率急劇降低，在信噪比為-5 dB時(shí)，識(shí)別正確率為19 %。而CFCC特征參數(shù)的識(shí)別率雖然也隨之降低，但相較于MFCC參數(shù)在各個(gè)信噪比的條件下，識(shí)別率均高于MFCC。利用本文提出的特征提取方法在各個(gè)信噪比條件下的識(shí)別正確率均優(yōu)于MFCC和CFCC參數(shù)，在-5 dB條件下，達(dá)到了44 %。

同樣，由圖3(b)和圖3(c)可知，在pink噪聲和f16噪聲的環(huán)境下，MFCC參數(shù)在信噪比低于5 dB的條件下，識(shí)別正確率也出現(xiàn)急劇降低的情況，而CFCC參數(shù)和本文改進(jìn)的CFCC方法有較好的噪聲魯棒性，尤其在信噪比低于0 dB時(shí)，本文方法的識(shí)別正確率遠(yuǎn)優(yōu)于MFCC和CFCC。在f16噪聲中，-5 dB的條件下，識(shí)別正確率仍達(dá)到了50 %。因此，本文方法在語(yǔ)音識(shí)別系統(tǒng)中對(duì)提高各種噪聲環(huán)境中的識(shí)別正確率均起到了一定的作用，具有較好的實(shí)用價(jià)值。

實(shí)驗(yàn)二研究了對(duì)特征參數(shù)進(jìn)行LDA轉(zhuǎn)換后的不同維度對(duì)系統(tǒng)識(shí)別性能的影響，修改LDA維數(shù)，比較訓(xùn)練后模型的識(shí)別正確率數(shù)值變化，找出關(guān)聯(lián)。實(shí)驗(yàn)的聲學(xué)模型采用傳統(tǒng)的連續(xù)密度HMM，每個(gè)模型的狀態(tài)數(shù)3個(gè)，均為高斯混合分布。實(shí)驗(yàn)以white噪聲0 dB時(shí)的實(shí)驗(yàn)數(shù)據(jù)為例，得到的實(shí)驗(yàn)結(jié)果如表1所示。

表1 0 dB下不同LDA維度系統(tǒng)識(shí)別正確率

由表1可知，在實(shí)際聲學(xué)模型訓(xùn)練時(shí)，要根據(jù)訓(xùn)練數(shù)據(jù)找合適的維數(shù)值。而且對(duì)不同訓(xùn)練數(shù)據(jù)對(duì)狀態(tài)數(shù)不同的聲學(xué)模型，正確率改善效果也會(huì)不同。針對(duì)于本文采用的實(shí)驗(yàn)數(shù)據(jù)，經(jīng)實(shí)驗(yàn)證明，最佳的LDA維度為29。

4 結(jié)束語(yǔ)

為了進(jìn)一步提高CFCC參數(shù)的抗噪性，提出了一種改進(jìn)的基于CFCC的特征提取方法。新的特征參數(shù)不僅降低了特征維度，并且提高了特征參數(shù)的區(qū)分能力，通過(guò)對(duì)語(yǔ)音數(shù)據(jù)庫(kù)構(gòu)建隱馬爾科夫模型，實(shí)現(xiàn)了一個(gè)完整的語(yǔ)音識(shí)別系統(tǒng)。實(shí)驗(yàn)結(jié)果表明：系統(tǒng)能夠減小不同噪聲不同信噪比條件下對(duì)系統(tǒng)識(shí)別正確率造成的較大影響。本文方法能提高語(yǔ)音識(shí)別系統(tǒng)的識(shí)別正確率，下一步將研究算法的實(shí)際應(yīng)用。

參考文獻(xiàn):

[1] 何勇軍,付茂國(guó),孫廣路.語(yǔ)音特征增強(qiáng)方法綜述[J].哈爾濱理工大學(xué)學(xué)報(bào),2014,19(2):19-25.

[2] Gupta K,Gupta D.An analysis on LPC,RASTA and MFCC techniques in automatic speech recognition system[C]∥2016 6th International Conference on Cloud System and Big Data Enginee-ring,IEEE,2016:493-497.

[3] Li Q,Huang Y.An auditory-based feature extraction algorithm for robust speaker identification under mismatched conditions[J].IEEE Transactions on Audio Speech & Language Processing,2011,19(6):1791-1801.

[4] Islam M Babul,Rahman Md Mahfuzur,Islam M Babul,et al.Performance evaluation of blind equalization for Mel-LPC-based speech recognition under different noisy conditions[J].Inter-national Journal of Computer Applications,2013,65(4):4-8.

[5] 羅 元,吳承軍,張 毅,等.Mel頻率下基于LPC的語(yǔ)音信號(hào)深度特征提取算法[J].重慶郵電大學(xué)學(xué)報(bào):自然科學(xué)版，2016,28(2):174-179.

[6] 張 毅,謝延義,羅 元,等.一種語(yǔ)音特征提取中Mel倒譜系數(shù)的后處理算法[J].智能系統(tǒng)學(xué)報(bào),2016,11(2):208-215.

[7] 李晶皎,安 冬,楊 丹,等.噪聲環(huán)境下說(shuō)話人識(shí)別的TEO-CFCC特征參數(shù)提取方法[J].計(jì)算機(jī)科學(xué),2012,39(12):195-197.

[8] 李作強(qiáng),高 勇.基于CFCC和相位信息的魯棒性說(shuō)話人辨識(shí)[J].計(jì)算機(jī)工程與應(yīng)用,2015,51(17):228-232.

[9] Karpagavalli S,Chandra E.Phoneme and word-based model for tamil speech recognition using GMM-HMM[C]∥2015 Inter-national Conference on Advanced Computing and Communication Systems,IEEE,2015:1-5.

[10] Haeb-Umbach R,Ney H.Linear discriminant analysis for improved large vocabulary continuous speech recognition[C]∥1992 IEEE International Conference on Acoustics,Speech,and Signal Processing,ICASSP’92,IEEE,1992:13-16.

[11] 肖云鵬,葉衛(wèi)平.基于特征參數(shù)歸一化的魯棒語(yǔ)音識(shí)別方法綜述[J].中文信息學(xué)報(bào),2010,24(5):106-116.