计算机应用基于段长分布的HMM的资源受限语音识别系统，吴治国，刘玉宇。王作英清华大学电子工程系，北京100084摘。要又中介绍了徘特定人小词汇孤立词的资源受限语音识别系统，它。采用长布的隐含马尔可夫模型山汜1的语音识别算法根据资源受限环境仅能提供非常的运算能力和，1特点。神了针塍献，法和措施。在，受财境下麟了实时准识别性能。
　　1引舍近几十年来。国内外有关语音识别的研究取得了许多重大的进展，尤其是在出现了隐含马尔可夫模型以后。大词汇量连续语音识别更是取得了重大的突破。但是由于传统的识别算法对计算速度和存储空间都有比较高的要求，使得其在资源受限应用上遇到了定的障碍，很难达到实时识别的要求。
　　伴随着个人移动通信和移动计算的迅猛发展。移动电话，等资源受限的小型手持设备又迫切需要语音识别技术为其提供方便高效的输入平台。针对资源受限环境下的语音识别这特殊应用。本文在基于段长分布的隐含马尔可夫模型0081厘1基础之上构造了个非特定人小词汇孤立词的语音！别系统。
　　对于资源受限的手持设备来说。其浮点运算性能相对于台式设备而言要弱很多。处理器大多只提供了8位或者16位浮点运算功能，或者仅提供定点运算功能。为了使语音识别程序能够在绝大多数的手持设备上正常运行，识别系统的所有的浮点运算均采用了相应的定点算法来实现，并且采用了相应的优化措施进步提高了识别速度。
　　此外，手持设备的语音录入端是影响识别稳健性的个关键，因为其前端的语音信号的采样速率和采样精度都相对较低，而且麦克风的声学特性不是很好。在采样的过程中会对原始语音信号引入定的畸变和噪音。为了克服手持设备的语音录入端声学特性对系统识别性能的影响。声学层的前端处理过程中采用了稳健的端点检测算法2和倒谱均值减算在资源受限的环境下，通过多个实验比较了不同语音识别单元不同语音特征和观测矢量混合高斯密度分布，输出概率密度的混合数情况，及其系统识别的实时率和正确率。在确保实时识别的前提下了确定了*佳的识别系统实现方案。
　　2系统框架基于0061肘语音识别系统由训练和识别两个模块组成。训练模块主要由火均值分割和均值聚类两个部分构成。参数训练的目的就是求取各个状态的冰10均值方差和权重。这有别于经典齐次1的8洲，疗法。训练由台式设备来完成。而且火均值分割可以通过采用高效的，如咖算法来实现所以使得训练速度大为提高，识别模块由端点检测特征提取和路径搜索比较个部分组成。识别模块独立运行于手持设备，可以多线程并发工作于同步或异步两种不间模式。识别的词可以方便地修改。提高了识别系统应对不同识别任务的灵活性。此外设置识别模块的系统配置即可允许源代码在不同编译器下重编译。实现不同系统平台间代码移植。
　　3模型辊法由于目前语音识别流行的齐次隐含马尔可夫模型肘在状态驻留时间段长的分布为几何分布。不符合汉语语音的实际物理特性13.这缺陷阻碍了识别性能的进步改善。为了提高识别的性能，本文采用了非齐次的叩，投型火仙扮，用状恣的段长分市函数替代了齐次厘肘中的状态转移矩阵，较好地符合了语音状态段长具有稳定分布这事实4.设待识别音节的丁帧特征观测矢量为。则根据文献1的推导可知在音节条件下出现的后验概宇为其中尸了为状态驻留长度分布函数，7为状态基金项目国家863计划项目6330620030201；清华大学985重大项目人机自然语言交互技术985校22攻关，6段长以为状态分割点为状态纟时观测矢量，出现的概率况为模型的状态数，利用*大后验概率准则，识别结果为由于非齐次，肘是个有后效的多阶段决策过程，股青况下不能用1算法进行求解。如果采用全搜索算法进行分割，其计算复杂性更是手持设备无法接受的。为了简化系统的识别算法，将段长分布假定为均勾分布，则上式可系统的训练和识别都可以用1此1算法来完成。仍1设咿将系统的；练简化为求，状忐输出观测特征矢量的概率分布函数，而输出概率分布模型或分布密度函数的形式能否很好地描述状态观测矢量的实际分布则直接毖响着，仙付1；斤现象的描述能力和识，性能，由统别的实时率和资源的占用情况。为了避免增加系统负担，系统*后只选取了肘特征和，+5，特征进行实验比较。而没有采用0旧特，3.3训练和识别在003犯1中状，较命出观测特矢1的概中分布体成4，采用，1形式设型的训就；土在选记混合数后统计出0肘0每个高斯分布的均值协方差阵和权值。对于高斯分市的个1办方，阵可以将其简化对阵，即今。=.全叫方差阵由由亏数过尤其是在高维的情况下容易导致各个参数训练不充分，效果反而不如对角阵的好。通过增加混合分布的数目采用对角阵，厘，的模型可以达到甚至超过采用全协方差阵，肘，的户以考心本文假定义为对训个。
　　训练模块的算法系统训练时需要首先对训练集的每句话进行均匀分割，以统计每个状态的初始分布，其中假定尺=1.然后做火均值分割，首先沿着每句话的状态转移网络根据每帧到每个状态的距离对全句作1.技分割，分割完后将得到每帧数据对应的状态标号。此处距离定义为当前模型状态输出概率分布下产生当前帧的概率的负对数计学原理可知，使用混合高斯分布，肘，可以较好地逼近未知分布，且实验明，采用，心，作为输出概率分布具有较好100识，笮兀的选择也是1关刨问不够精确，识别效果不好。复杂的单元，例如半双音子86 1和双，1沪能够更加精确描述发。现象。
　　可以明显改善识别性能。在汉语中每个汉字都是单音节结构，每个音节又都是辅音元音结构，即通常所说的，纟构，故每个音可以分为1和值。分割完毕后得到每句话到状态转移网络的累积距离。将所有语句的累积距离求和，得到当前如分割的总距离。
　　将总距离与上次分割的总距离进行比若两次的距离变化小于给定的误差，则认为迭代收敛。收敛之后需要进行反均值聚类，聚类对每个状态进行，目的是用尤均值分割得到的每个状态所对应数据空间统计出该状态的输出概率分布。首先用尤均值算法对全空间进行聚类距离测度为欧氏距离，然后根据聚类结果统计每个，肘，分量的分布的均值和方差。并根据每个分布所拥有的样点数统计权值，得到该状态输出概率分布。
　　31两部分。其中；31主要针对声母的发音，而131主要针对韵母的发音。声母发音较短，采用2个肘状态来描述韵付较汜叩4个只，1状态描述。文中汜用了。双汗，和，备子，设，半双音子模型，考虑韵母付声母的发音影响，将1以出1的状态细化为100类巧31的状态为43类；双音子模型则考虑了声母和韵母之间协同发音的影响，在半双音子模型基础上将31的状态细化为164类。
　　3.2特征选择在语音信号的特征参数类型的选取上。考虑到肘心声学感知特性而对噪音具有较好的稳健性，所以特征提取模块采用了肘，特征。在本系统中，麦克风送入的原始语音在采样数字化后送入端点检测模块进行检测和分割。区分出语音段和非语音段，然后对语音段提取特征，在此基础上可以求得阶差分特征，和阶差分特征501虽然，能够较肘风更好地反映语音酬。性。但。跟音酬模型识别时，语音经过端点检测模块得到实际语音段的起止时间，再将语音信号提取特征，根据词中每个命令词的状态转移网络，采用咖算法进行搜索，从而得出该段语皆相对尸该撼豆累，离然，*柬累微离*小的命令词作为该段语音的*选识别结果。
　　半双，子双，子040游合数在综合考虑了识别正确率，实时速度以及对系统资源占用的情况下，识别系统方案*终采用了，0混合数为16的1出，双1子投句。声学。以端的特征采。电仰工AMFCCtI，5结语，作为其输出概率分布，构建了资源受限的非特定人小词汇。孤立词的识别系统。系统由尤均值方法进疔训练。
　　并通过，如方法在状态网络搜索*小累积距离进行识别，得到了不同识别元。特征及；1；数1的识别实验数通过各种实验结果的比较。可以得出结论基于DDBHM的半双音子识别系统在使用MFCC+AMFCC特征和混合数为16的，0输出概率密度的情况下。具有较好下汉语命令词的实要求。
　　识别系统在算法和代码上针对资源受限这特殊应用环境做了优化和改进后，提高了程序的执行速度和降低了系统资源占用。在手持设备上实现了实时准确的语音识别。此外，识别系统还充分考虑了各类手持设备系统的差异性，其源代码实现了不同平台间的方便移植，因而识别系统具备了跨平台通用性和较为广泛的应用前景。
　　王作英。基于段长分布的，语音识别模型叫。庐山第届全国汉宇汉语识别会议1989.
　　齐1玲。张京录。沿普通沿音1卞长分7厅1.5今只。
　　杨浩荣，刘加，王作英，等。8仙，语音识别模型和分类训练方法通信学报，199194.
　　下降。尤其是在采用+么特征和0混合数为160寸。识别实时率则升至996，7倍实时速度。已经处在实时识别的临界状态。
　　4实验结果及其比较实验训练采用的语料包括863智能计算机主办公室提供的连续语音数据库中的男声数据。699个连接词的男声数据和他1的北京话的男声数据。其中863智能计算机主办公室提供的连续语音数据库有83个人的录音，每人约500 65，句话；699个连接词的男声数据有50个人的录音。每人为699个孤立词；办1的北京话的男声数据有个人的录音，每人约为400句话。训练所采用的语料共有233个文件。为了测试系统的实际实验测试的隼外语料为叫叫公1广持设备131系列，门，米集的1男和女声故电1.
　　在两种识别单元的情况下，测试了系统在不同特征和10混合分布数目尺的组合下识别的准确率和实时率，由于，肘，的混合分布数目尤越大，将越接近于该状态本来的输出概率分布。因而理论上识别效果也将更好。但随着欠增大改进将越来越小，同时自由参数的数目却会迅速增加。若每个自由参数得不到充分的训练，反而会降低系统识别效果。因此尤并非越大越好。而是在定训练集条件下有个合适的数值。考虑到尤值过大将导致手持设备无法满足所需运算要求，故本文设定尤幺16，由于双音子声学层模型比半双音字模型对语音识别单元发音现象的描述要精细，其识别的*选正确率要高于后者。
　　1和2的实验结果也总体上反映了该趋势。但是也有些数据与之不相符，其主要原因是在相同训练语料的情况5声学模型的状态数增加可能会导致某些状态的模型参数没育充分的训练5系统的只别率在总体反而，所F降。在相同厘，混合数尤的情况下，随着特征维数的增加。
　　系统的识别正确率也随之显著增加。由此可以看出增加AMFCC阶差分特征实际上是引入了帧间相关性。对提高识别字有较人的；助。从应1介1度号虑。采1+么肘，吾音特征的识别正确率比较高，基本满足实际应用特征混合数系统的识别实时率的结果2.对于半双音子系统的识别实时率都在4倍实时速度以下。满足实时识别的S，it，v.v；tJ1tTM