網絡整理 發表於 2020-04-01 09:24:49
本文列舉了幾種不同的語音識別算法。
第一種：基於動態時間規整（Dynamic Time Warping）的算法
在連續語音識別中仍然是主流方法。
該方法的運算量較大，但技術上較簡單，識別正確率高。
在小詞彙量、孤立字（詞）識別系統中，也已有許多改進的DTW算法被提出。例如，利用頻率尺度的DTW算法進行孤立字（詞）識別的方法。
第二種：基於參數模型的隱馬爾可夫模型（HMM）的方法
該算法主要用於大詞彙量的語音識別系統，它需要較多的模型訓練數據，較長的訓練和識別時間，而且還需要較大的內存空間。
一般連續隱馬爾可夫模型要比離散隱馬爾可夫模型計算量大，但識別率要高。
第三種：基於非參數模型的矢量量化（VQ）的方法
該方法所需的模型訓練數據，訓練和識別時間，工作存儲空間都很小。
但是VQ算法對於大詞彙量語音識別的識別性能不如HMM好。
在孤立字（詞）語音識別系統中得到了很好的應用。
另外，還有基於人工神經網絡（ANN）的算法和混合算法，如ANN/HMM法，FSVQ/HMM法等。
更多語音識別算法如下：
卷積神經網絡
深度學習神經網絡
BP神經網絡
RBF神經網絡
模糊聚類神經網絡
改進的T-S模糊神經網絡
循環神經網絡
小波神經網絡
混沌神經網絡
小波混沌神經網絡
神經網絡和遺傳算法
動態優化神經網絡
K均值和神經網絡集成
HMM與自組織神經網絡的結合
正交基函數對向傳播過程神經網絡
HMM和新型前饋型神經網絡
特徵空間隨機映射
SVM多類分類算法
特徵參數歸一化
多頻帶譜減法
獨立感知理論
分段模糊聚類算法VQ-HMM
優化的競爭算法
雙高斯GMM特徵參數
MFCC和GMM
MFCCs和PNN
SBC和SMM
MEL倒譜係數和矢量量化
DTW
LPCC和MFCC
隱馬爾科夫模型HMM
語音識別對特徵參數有如下要求：
1. 能將語音信號轉換為計算機能夠處理的語音特徵向量
2. 能夠符合或類似人耳的聽覺感知特性
3. 在一定程度上能夠增強語音信號、抑制非語音信號
常用特徵提取方法有如下幾種：
（1）線性預測分析（LinearPredictionCoefficients，LPC）
擬人類的發聲原理，通過分析聲道短管級聯的模型得到的。假設系統的傳遞函數跟全極點的數字濾波器是相似的，通常用12-16個極點就可以描述語音信號的特徵。所以對於n時刻的語音信號，我們可以用之前時刻的信號的線性組合近似的模擬。然後計算語音信號的採樣值和線性預測的採樣值。並讓這兩者之間達到均方的誤差（MSE）最小，就可以得到LPC。
（2）感知線性預測係數（PerceptualLinearPredictive，PLP）
一種基於聽覺模型的特徵參數。該參數是一種等效於LPC的特徵，也是全極點模型預測多項式的一組係數。不同之處是PLP是基於人耳聽覺，通過計算應用到頻譜分析中，將輸入語音信號經過人耳聽覺模型處理，替代LPC所用的時域信號，這樣的優點是有利於抗噪語音特徵的提取。
（3）Tandem特徵和Bottleneck特徵
這是兩種利用神經網絡提取的兩類特徵。Tandem特徵是神經網絡輸出層節點對應類別的後驗概率向量降維並與MFCC或者PLP等特徵拼接得到。Bottleneck特徵是用一種特殊結構的神經網絡提取，這種神經網絡的其中一個隱含層節點數目比其他隱含層小的多，所以被稱之為Bottleneck（瓶頸）層，輸出的特徵就是Bottleneck特徵。
（4）基於濾波器組的Fbank特徵（Filterbank）
亦稱MFSC，Fbank特徵的提取方法就是相當於MFCC去掉最後一步的離散餘弦變換，跟MFCC特徵相比，Fbank特徵保留了更多的原始語音數據。
（5）線性預測倒譜係數（LinearPredictiveCepstralCoefficient，LPCC）
基於聲道模型的重要特徵參數。LPCC是丟棄了信號生成過程中的激勵信息。之後用十多個倒譜係數可以代表共振峰的特性。所以可以在語音識別中取得很好的性能。
（6）梅爾頻率倒譜係數（MelFrequencyCepstrumCoefficient，MFCC）
基於人耳聽覺特性，梅爾頻率倒譜頻帶劃分是在Mel刻度上等距劃分的，頻率的尺度值與實際頻率的對數分布關係更符合人耳的聽覺特性，所以可以使得語音信號有著更好的表示。1980年由Davis和Mermelstein搞出來的。從那時起。在語音識別領域，MFCC可謂是鶴立雞群，一枝獨秀。
Q： MFCC為何一枝獨秀
人通過聲道產生聲音，聲道的shape決定了發出怎樣的聲音。聲道的shape包括舌頭，牙齒等。如果我們可以準確的知道這個形狀，那麼我們就可以對產生的音素phoneme進行準確的描述。聲道的形狀在語音短時功率譜的包絡中顯示出來。而MFCC就是一種準確描述這個包絡的一種特徵。
聲譜圖
處理語音信號，如何去描述它很重要，因為不同的描述方式放映它不同的信息，而聲譜圖的描述方式是最利於觀測和理解的。
由上圖可知，這段語音被分為很多幀，每幀語音都對應於一個頻譜（通過短時FFT計算），頻譜表示頻率與能量的關係。在實際使用中，頻譜圖有三種，即線性振幅譜、對數振幅譜、自功率譜（對數振幅譜中各譜線的振幅都作了對數計算，所以其縱坐標的單位是dB（分貝）。這個變換的目的是使那些振幅較低的成分相對高振幅成分得以拉高，以便觀察掩蓋在低幅噪聲中的周期信號）。
先將其中一幀語音的頻譜通過坐標表示出來，如上圖（a）。旋轉90度，得到圖（b）。把這些幅度映射到一個灰度級表示，得到了圖（c）。這樣操作的原因是為了增加時間維度，，得到一個隨著時間變化的頻譜圖，這個就是描述語音信號的聲譜圖（spectrogram）。這樣就可以顯示一段語音而不是一幀語音的頻譜，而且可以直觀的看到靜態和動態的信息。
倒譜分析（CepstrumAnalysis）
下面是一個語音的頻譜圖。峰值就表示語音的主要頻率成分，我們把這些峰值稱為共振峰（formants），而共振峰就是攜帶了聲音的辨識屬性，用它就可以識別不同的聲音。因此，需要把它提取出來。要提取的不僅是共振峰的位置，還得提取它們轉變的過程。所以我們提取的是頻譜的包絡（SpectralEnvelope）。這包絡就是一條連接這些共振峰點的平滑曲線。
由上圖可以看出，原始的頻譜由兩部分組成：包絡和頻譜的細節。因此需要把這兩部分分離開，就可以得到包絡了。按照下圖的方式進行分解，在給定logX［k］的基礎上，求得logH［k］和logE［k］滿足logX［k］=logH［k］+logE［k］。
由上面這個圖我們可以看到，包絡主要是低頻成分，而高頻主要是頻譜的細節。把它倆疊加起來就是原來的頻譜信號了。即，h［k］是x［k］的低頻部分，因此將x［k］通過一個低通濾波器就可以得到h［k］了，也就是頻譜的包絡。
以上解卷過程的專業術語叫做同態信號處理，（另一種方法為基於線性變換）。語音本身可以看成是聲道衝擊信息（包括話者個性信息、語義信息，表現為頻譜低頻成分）經過聲門激勵的一個響應函數，在時域上表現為卷積形式。為將二者分離開來，求得聲道共振特徵和基音周期，需要把這種非線性問題轉化為線性問題。第一步通過FFT將其變成了乘性信號（時域的卷積相當於頻域的乘積）；第二步通過取對數將乘性信號轉化為加性信號；第三步進行逆變換，使其恢復為卷性信號。此時，雖然前後均是時域序列，但它們所處的離散時域顯然不同，所以後者稱為倒譜頻域。計算過程如下圖所示。
聲明：本文內容及配圖由入駐作者撰寫或者入駐合作網站授權轉載。文章觀點僅代表作者本人，不代表電子發燒友網立場。文章及其配圖僅供工程師學習之用，如有內容圖片侵權或者其他問題，請聯繫本站作侵刪。 侵權投訴