劉 瓊

（西安航空職業(yè)技術(shù)學(xué)院通識(shí)教育學(xué)院，陜西西安 710089）

關(guān)鍵字：開源語音識(shí)別工具；HTK；Spinx；Kaldi；語言模型；聲學(xué)模型

在過去的幾十年里，大量的連續(xù)語音識(shí)別系統(tǒng)被開發(fā)出來。一方面，諸如AT&T Watson、Microsoft Speech Server、谷歌Speech API和Nuance識(shí)別器等十分成熟的語音識(shí)別系統(tǒng)已經(jīng)得到較為廣泛的商業(yè)應(yīng)用[1-4]。另一方面，商業(yè)語音識(shí)別器幾乎不能為其他專用系統(tǒng)提供接口功能，使得對(duì)其他軟件實(shí)現(xiàn)本地的功能集成造成極大限制，導(dǎo)致大量開源自動(dòng)語音識(shí)別系統(tǒng)成為研究熱點(diǎn)[5-6]。

由于開源語音系統(tǒng)的數(shù)量不斷增加，越來越難以準(zhǔn)確理解哪一種最適合給定目標(biāo)應(yīng)用的需求[7]。將通過實(shí)驗(yàn)的方法比較目前較為主流的開源大詞匯量語音工具包的可用性和識(shí)別準(zhǔn)確率。對(duì)比的開源語音識(shí)別工具包括：HDecode（v3.4.1）、Julius（v4.3）、Pocketsphinx（v0.8）、Sphinx4、Kaldi。

本研究使用一個(gè)自行錄制的實(shí)驗(yàn)語料庫應(yīng)用于四個(gè)語音識(shí)別工具包的對(duì)比分析中。為了使得本文的對(duì)英語識(shí)別結(jié)論具有較好的普遍性，因此使用閱讀式語料而不是對(duì)話式的語料。研究的最終目標(biāo)是通過開源語音識(shí)別工具包的全面評(píng)估，為提高英語語音識(shí)別系統(tǒng)的口語理解能力提供參考。

1 對(duì)比數(shù)據(jù)

研究使用的英語語料庫包含4男4女，內(nèi)容為大聲朗讀的人民日?qǐng)?bào)英文版。語料庫包括訓(xùn)練集、開發(fā)集和測(cè)試集。語料庫的詳細(xì)信息如表1所示。

2 聲學(xué)建模

2.1 HDecode和Julius聲學(xué)模型

解碼器HDecode和Julius的聲學(xué)模型使用HTK工具包進(jìn)行訓(xùn)練。HTK工具包提供了一個(gè)很好的參考文檔和一個(gè)包含基本功能的訓(xùn)練示例，這為進(jìn)一步進(jìn)行深入開發(fā)提供了較好的幫助，有效提高了開發(fā)效率[8]。

基于HTK參考手冊(cè)所提供的功能描述搭建本研究的訓(xùn)練方法。HTK工具包中的語音文件操作軟件HCopy軟件將音頻數(shù)據(jù)從語料庫中的語音文件轉(zhuǎn)化為具有零階梅爾頻率倒譜系數(shù)和倒頻譜均值歸一化的特征文件[9]。主要編碼參數(shù)如表2所示。

表2 編碼參數(shù)

單聲道訓(xùn)練包括靜音處理和重新排列，以增強(qiáng)發(fā)音和聲學(xué)數(shù)據(jù)之間的匹配。在訓(xùn)練的每一步中，都會(huì)執(zhí)行四次Baum-Welch算法以重估訓(xùn)練結(jié)果。

在完成單音符訓(xùn)練后，使用了幾個(gè)接收器來訓(xùn)練單詞內(nèi)部和單詞之間的音素。盡管單詞內(nèi)部音素參數(shù)是默認(rèn)設(shè)置，但是單詞之間的音素參數(shù)是HDecode解碼器所必需的，并可作為Julius的選項(xiàng)進(jìn)行測(cè)試。對(duì)于捆綁和合成看不見的音素狀態(tài)，使用基于決策樹的集群。將隱馬爾可夫模型與高斯混合的訓(xùn)練分離，首先在兩個(gè)步驟中完成，之后是預(yù)先設(shè)定的步驟。

在單詞之間的三音素的識(shí)別訓(xùn)練時(shí)，基于樹的聚類的細(xì)節(jié)以及用混合高斯訓(xùn)練模型的方法必須由用戶進(jìn)行自定義開發(fā)。還有更多先進(jìn)的技術(shù)，例如個(gè)性化適應(yīng)和區(qū)分性訓(xùn)練來提高識(shí)別系統(tǒng)的可用性能，但是這種工具鏈的開發(fā)費(fèi)用顯著增加，沒有豐富的知識(shí)就不可能建立起來，所以我們?cè)诒容^中沒有使用這些技術(shù)。

2.2 Pocketsphinx和sphinx4聲學(xué)模型

pocketsphinx和Sphinx-4的聲學(xué)模型使用CMU sphinxtrain（v1.0.8）工具包進(jìn)行了訓(xùn)練，sphinxtrain工具包提供了訓(xùn)練特征文件的所有必要工具。配置參數(shù)都可以很容易地設(shè)置在配置文件中，因此不需要編寫對(duì)應(yīng)的配置腳本[10]。但是在構(gòu)建語音識(shí)別器的過程中，需要由相當(dāng)?shù)某潭鹊膶I(yè)知識(shí)，因?yàn)閟phinxtrain的參考文檔支持度不夠。

除了連續(xù)的聲學(xué)模型，sphinxtrain還可以訓(xùn)練半連續(xù)高斯混合模型[11]。這些模型接受了梅爾頻率倒譜矢量的訓(xùn)練。在默認(rèn)情況下，sphinxtrain與HTK相似，由13倒譜系數(shù)、13個(gè)變量增量和13個(gè)加速系數(shù)組成。進(jìn)一步的特征提取參數(shù)如表3所示。此外，本文利用線性判別分析，最大似然線性變換（LDA+MLLT）來減少特征維數(shù)。

表3 sphinx特征提取參數(shù)

與pocketsphinx相比，Sphinx-4僅限于連續(xù)的聲學(xué)模型。

2.3 Kaldi聲學(xué)模型

KALDI工具包為不同語料庫提供了幾個(gè)示例性數(shù)據(jù)準(zhǔn)備。這些數(shù)據(jù)準(zhǔn)備的功能包括LDA+MLLT、說話人自適應(yīng)訓(xùn)練（SAT）、最大似然線性回歸（MLLR），特征空間 MLLR（fMLLR）和最大互信息（MMI、FMMI）。Kaldi識(shí)別工具包還支持高斯混合模型（GMM）和子空間模型（SGMM）。進(jìn)一步在基于受限玻爾茲曼機(jī)的分層預(yù)訓(xùn)練，基于每幀交叉熵訓(xùn)練和序列鑒別訓(xùn)練的GMM模型上對(duì)深度神經(jīng)網(wǎng)絡(luò)（DNN）進(jìn)行訓(xùn)練，使用網(wǎng)格框架并優(yōu)化狀態(tài)最小值貝葉斯風(fēng)險(xiǎn)準(zhǔn)則[12，13]。

Kaldi訓(xùn)練的計(jì)算成本很高，需要在技術(shù)實(shí)現(xiàn)上通過并行計(jì)算加以優(yōu)化，因此在DNN的訓(xùn)練中支持使用GPU實(shí)現(xiàn)高并發(fā)計(jì)算以加快處理速度。

3 語言建模

HDecode和Julius的語言模型是ARPA ngram模型。在語言建模的第一步，使用HTK工具構(gòu)建工具鏈的訓(xùn)練，訓(xùn)練的結(jié)果文件不能用于外部解碼器。然后用CMU語言模型工具包進(jìn)行語言模型訓(xùn)練。該工具鏈包含從輸入文本中提取單詞頻率和詞匯，并使用text2wfreq和wfreq2vocab生成帶有text2idngram和idngram2lm的ARPA語言模型文件。使用Julius將ARPA文件轉(zhuǎn)換為二進(jìn)制格式，直接與HDecode一起使用，并使用工具mkbingram加速ARPA文件的加載[14]。

Sphinx同樣使用的CMU語言模型工具。其中ARPA文件也使用mkbingram轉(zhuǎn)換為二進(jìn)制格式，以提高解碼的效率[15]。

Kaldi語言模型由于其內(nèi)部表示為有限狀態(tài)轉(zhuǎn)換器，因此要求將上述工具所訓(xùn)練的ARPA語言模型轉(zhuǎn)換為特定于解碼的二進(jìn)制格式[16]。為此，需要使用了工具arpa2fst、fstcompile和多個(gè)Perl腳本等一些實(shí)用工具對(duì)ARPA語言模型進(jìn)行格式轉(zhuǎn)換。

4 實(shí)驗(yàn)過程

4.1 HDecode和Julius

首先構(gòu)建HDecode和Julius的語言模型。在第一步中，本文將n-gram順序增加到四，發(fā)現(xiàn)三個(gè)是對(duì)實(shí)驗(yàn)語料庫的最佳選擇。觀察三個(gè)階段的最佳結(jié)果，決定將這些結(jié)果用于其他解碼器。在測(cè)試運(yùn)行中，本文使用了HDecode和Julius的ARPA trigram語言模型。在第二步中，本研究比較了不同的模型初始化參數(shù)構(gòu)建n-grams語言模型。通過對(duì)比發(fā)現(xiàn)Witten-Bell discounting是語料庫和Julius的HDecode的最佳選擇。

其次是構(gòu)建聲學(xué)模型。由于聲學(xué)模型的參數(shù)數(shù)量太多，因此構(gòu)建聲學(xué)模型的重點(diǎn)是性能調(diào)優(yōu)。調(diào)優(yōu)過程是一個(gè)相當(dāng)困難的任務(wù)，有許多自由度，覆蓋它們幾乎是不可能的。本文對(duì)以下參數(shù)進(jìn)行調(diào)優(yōu)研究。

對(duì)Julius使用單詞內(nèi)部與單詞之間音素識(shí)別的影響。在對(duì)實(shí)驗(yàn)語料庫開發(fā)集進(jìn)行了大量實(shí)驗(yàn)之后，發(fā)現(xiàn)采用單詞之間的音素識(shí)別是更好的選擇。

基于狀態(tài)和基于決策樹的集群配置。在樹狀結(jié)合狀態(tài)下，測(cè)試了不同的問題集。測(cè)試的主要目的是區(qū)分輔音（摩擦音、爆破音、滑音、鼻音、流音）和元音（前元音、中元音、后元音）。還要對(duì)消除異常噪音的閾值（RO）、綁定狀態(tài)和決策樹修剪閾值等參數(shù)（TB）可用性進(jìn)行測(cè)試。在測(cè)試中，本文采用基于決策樹聚類的訓(xùn)練模型。解碼實(shí)驗(yàn)語料庫測(cè)試集與HDecode一起使用的模型具有2300個(gè)綁定狀態(tài)（RO 100，TB 1250），Julius 2660 綁定狀態(tài)的模型（RO 100，TB 1000）。在實(shí)驗(yàn)語料庫上，用于兩個(gè)解碼器的所用模型具有6571個(gè)綁定狀態(tài)（RO 100，TB 2500）。這些參數(shù)的選擇是基于我們?cè)陂_發(fā)集上的大量調(diào)試運(yùn)行中產(chǎn)生的最佳結(jié)果，并根據(jù)參數(shù)建立一組準(zhǔn)確度值。

混合數(shù)量和分裂策略。根據(jù)已有的研究成果，HDecode和Julius的最佳高斯混合數(shù)量為32和24。在第一次測(cè)試運(yùn)行中，使用了分裂為兩次冪的混合物?；谑褂幂^小的步驟以提高性能的考慮，因此稍后的測(cè)試運(yùn)行中使用了增加高斯數(shù)量的預(yù)定義步驟（1-2-4-6-8-12-16-24-32-48-64）。

解碼器的構(gòu)建。解碼器可以有多種不同的配置。通過對(duì)HDecode的實(shí)驗(yàn)，得出最優(yōu)參數(shù)為：字插入代價(jià)為0、語言模型的權(quán)重為10、修剪閾值為150。總結(jié)出的Julius評(píng)估的解碼參數(shù)如表4所示。表4中的參數(shù)值增加了計(jì)算資源的使用，減緩了解碼過程，但提高了識(shí)別的準(zhǔn)確性。

表4 解碼參數(shù)

4.2 Pocketspinx和Spinx4

根據(jù)前面的HTK解碼器研究，對(duì)Pocketspinx也采用ARPA trigram語言模型。

在HTK解碼器的研究已經(jīng)對(duì)聲學(xué)模型的參數(shù)調(diào)優(yōu)進(jìn)行實(shí)驗(yàn)。針對(duì)Pocketspinx識(shí)別工具包的特點(diǎn)，基于對(duì)以下參數(shù)的調(diào)優(yōu)構(gòu)建的聲學(xué)模型。

半連續(xù)和連續(xù)模型的影響。在使用兩種模型類型的默認(rèn)參數(shù)的第一個(gè)評(píng)估周期中，本文發(fā)現(xiàn)連續(xù)聲學(xué)模型比半連續(xù)聲學(xué)模型在開發(fā)集上的效率為36.10%。

通過基于最大似然度變換（MLLT）的LDA算法來減少混合和音素的數(shù)量并減少特征矢量的數(shù)量。如表5所示，將維數(shù)從39個(gè)減少到32個(gè)，結(jié)果識(shí)別錯(cuò)誤率提高2%。在實(shí)驗(yàn)語料庫的測(cè)試中，使用了每個(gè)句子64個(gè)混合詞、1750個(gè)句子以及LDA+MLLT的模型。

表5 在實(shí)驗(yàn)語料庫開發(fā)集上測(cè)試pocketsphinx

在Pocketspinx的實(shí)驗(yàn)中，除了表5中所示的特征提取參數(shù)以外，其他均使用Pocketspinx語音解碼器的默認(rèn)參數(shù)。

4.3 Kaldi

首先建立語言模型。針對(duì)實(shí)驗(yàn)語料庫，將用于pocketsphinx和Pocketsphinx的ARPA trigram模型轉(zhuǎn)換為Kaldi所需的有限狀態(tài)轉(zhuǎn)換器表示。在轉(zhuǎn)換過程中使用了預(yù)定義的訓(xùn)練腳本，其中包括生成4-gram語言模型。

其次是建立聲學(xué)模型。在所有的Kaldi的測(cè)試運(yùn)行中，使用預(yù)定義培訓(xùn)腳本，這些腳本僅針對(duì)輸入數(shù)據(jù)進(jìn)行了調(diào)整。在測(cè)試運(yùn)行中，在實(shí)驗(yàn)語料庫中使用具有LDA+MLLT+SAT+fMLLR的GMM模型之上的DNN。

最后是解碼器的配置。在所有的Kaldi的測(cè)試運(yùn)行中，本研究都使用預(yù)定義的解碼腳本。

5 結(jié)果分析

不同識(shí)別工具在實(shí)驗(yàn)中的錯(cuò)誤率結(jié)果如表6所示。

表6 在實(shí)驗(yàn)測(cè)試集上的錯(cuò)誤率

由表6的可以看出，與其他識(shí)別器相比，Kaldi具有更好的識(shí)別正確率。

在實(shí)驗(yàn)中，花在設(shè)置、準(zhǔn)備、運(yùn)行和優(yōu)化工具包上的時(shí)間最多的是HTK，更少的Sphinx和最少的Kaldi。

Kaldi的出色表現(xiàn)可以看作是開源語音識(shí)別技術(shù)的一場(chǎng)革命。該系統(tǒng)能夠提供方便調(diào)用的LDA、MLLT、SAT、fMLLR、fMMI和 DNNs等十分全面先進(jìn)的技術(shù)。即使系統(tǒng)開發(fā)者不是語言識(shí)別的專家，也能夠使用Kaldi所提供提供的菜單和腳本也能在短時(shí)間內(nèi)完成系統(tǒng)的集成。

Sphinx系列的語音工具包也提供了一個(gè)聲學(xué)模型訓(xùn)練工具，但是所提供的訓(xùn)練工具不夠全面，導(dǎo)致訓(xùn)練精度不高，但在Sphinx系列的語音工具包聲學(xué)模型的訓(xùn)練和語音識(shí)別也較為簡(jiǎn)便。

HTK是使用最困難的工具包。建立系統(tǒng)需要聲學(xué)模型訓(xùn)練工具的開發(fā)，這個(gè)過程費(fèi)時(shí)且容易出錯(cuò)?；贖TK的語音識(shí)別系統(tǒng)的開發(fā)和集成需要開發(fā)者具有較好的專業(yè)語音識(shí)別領(lǐng)域的專業(yè)知識(shí)和熟練的開發(fā)技巧。

6 結(jié)論

對(duì)較為主流的開源語音識(shí)別工具包的進(jìn)行的較為全面評(píng)估。在試驗(yàn)評(píng)估中，本研究訓(xùn)練了HDecode、Julius、pocketsphinx、Sphinx-4 和 Kaldi的語言和聲學(xué)模型，部分調(diào)整和優(yōu)化了識(shí)別系統(tǒng)的參數(shù)，并在試驗(yàn)英語語料庫上進(jìn)行了測(cè)試。實(shí)驗(yàn)結(jié)果顯示了Kaldi超越了所有其他的識(shí)別工具包的識(shí)別正確率，并且Kaldi工具包還提供了較為全面的先進(jìn)聲學(xué)模型訓(xùn)練技術(shù)的支持。Kaldi工具包這些特點(diǎn)便于在短時(shí)間內(nèi)實(shí)現(xiàn)最佳識(shí)別結(jié)果，但是其計(jì)算成本也是最高。Sphinx工具包提供了僅次于Kaldi的聲學(xué)模型訓(xùn)練技術(shù)的支持，但是其訓(xùn)練效率優(yōu)于Kaldi。Sphinx需要用戶開發(fā)高級(jí)部件進(jìn)行廣泛的性能調(diào)優(yōu)。HTK提供了最簡(jiǎn)單的啟動(dòng)工具包，需要開發(fā)者自行開發(fā)自訓(xùn)練的識(shí)別系統(tǒng)來達(dá)到的所需的識(shí)別性能。