姜 瑩，俞一彪

（蘇州大學(xué) 電子信息學(xué)院，江蘇 蘇州215006）

0 引 言

目前非特定人語(yǔ)音識(shí)別已經(jīng)取得了很大進(jìn)展，但與特定人的語(yǔ)音識(shí)別系統(tǒng)相比還有很大的差距。影響系統(tǒng)性能的一個(gè)重要因素是說(shuō)話(huà)人語(yǔ)音之間的聲學(xué)差異，包括不同說(shuō)話(huà)人的性別、年齡、不同的聲道長(zhǎng)度和形狀以及說(shuō)話(huà)的風(fēng)格口音等對(duì)語(yǔ)音特征參數(shù)的影響。傳統(tǒng)的消除說(shuō)話(huà)人之間的聲學(xué)差異通過(guò)對(duì)模型以及參數(shù)處理，如模型自適應(yīng)、說(shuō)話(huà)人聚類(lèi)方法等，以減少說(shuō)話(huà)人之間的聲學(xué)差異?；蛘卟杉瘮?shù)量很大的說(shuō)話(huà)人語(yǔ)音用于訓(xùn)練，讓訓(xùn)練語(yǔ)音覆蓋更為廣泛的語(yǔ)音空間，因此對(duì)語(yǔ)音訓(xùn)練量要求較高。

事實(shí)上傳統(tǒng)的語(yǔ)音識(shí)別方法都是采用聲學(xué)特征來(lái)描述模型，無(wú)論采用模型補(bǔ)償方法還是歸一化方法，都無(wú)法解決說(shuō)話(huà)人差異對(duì)識(shí)別系統(tǒng)性能的影響。最近，日本東京大學(xué)N.Minematsu教授從挖掘語(yǔ)音信號(hào)中具有相似語(yǔ)義特征的基本單元以及它們之間特征分布的內(nèi)在關(guān)系著手，通過(guò)運(yùn)用Bhattacharyya測(cè)度，提出了一種全局聲學(xué)結(jié)構(gòu)AUS，理論上可以證明這一結(jié)構(gòu)化描述對(duì)于說(shuō)話(huà)人差異具有不變性［1］，即可以從語(yǔ)音中提取對(duì)說(shuō)話(huà)人差異具有魯棒性的結(jié)構(gòu)化特征AUS，它可以忽略說(shuō)話(huà)人個(gè)性特征，只包含語(yǔ)義特征信息。該理論已被成功用于基于方言的說(shuō)話(huà)人分類(lèi)［2］、音素的切分［3］、語(yǔ)音評(píng)測(cè)系統(tǒng)［4］、語(yǔ)音轉(zhuǎn)換［5］、語(yǔ)音合成［6］、計(jì)算機(jī)輔助語(yǔ)言學(xué)習(xí)［7］（computer aided language learning，CALL）系統(tǒng)以及日語(yǔ)元音串和詞的識(shí)別研究［8－9］。漢語(yǔ)數(shù)字發(fā)音也有其本身特點(diǎn)，時(shí)長(zhǎng)較短，且含有豐富的聲學(xué)音素，因此將AUS用于數(shù)字語(yǔ)音識(shí)別具有一定的實(shí)際意義。

首先介紹語(yǔ)音結(jié)構(gòu)化模型的相關(guān)理論，并將其應(yīng)用于中文數(shù)字語(yǔ)音識(shí)別。實(shí)驗(yàn)測(cè)試了少量語(yǔ)料訓(xùn)練下，AUS方法和HMM方法在以下說(shuō)話(huà)人差異情形下的識(shí)別情況：①采用聲道彎折方法模擬不同說(shuō)話(huà)人之間的差異性；②20個(gè)實(shí)際說(shuō)話(huà)人之間的差異性。實(shí)驗(yàn)結(jié)果表明，在少量語(yǔ)料訓(xùn)練下，該方法可以取得優(yōu)于HMM的性能，語(yǔ)音結(jié)構(gòu)化模型可以有效消除說(shuō)話(huà)人之間的差異。

1 語(yǔ)音結(jié)構(gòu)化模型及數(shù)字識(shí)別

1.1 全局聲學(xué)結(jié)構(gòu)AUS

全局聲學(xué)結(jié)構(gòu)AUS描述的是語(yǔ)音內(nèi)在的聲學(xué)特征結(jié)構(gòu)關(guān)系［10］，如圖1所示。其中，結(jié)構(gòu)點(diǎn)表示語(yǔ)音中最小語(yǔ)義單元的聲學(xué)特征分布，構(gòu)成語(yǔ)義的基本單元，其大小并不是固定的，從漢語(yǔ)來(lái)講語(yǔ)義單元可以是單詞、音節(jié)、聲韻母或者是更為精細(xì)的音素等；而節(jié)點(diǎn)之間的連線表示語(yǔ)義單元聲學(xué)特征分布之間的關(guān)系，所有連線形成的網(wǎng)絡(luò)被定義為全局聲學(xué)結(jié)構(gòu)。

圖1 語(yǔ)音的全局聲學(xué)結(jié)構(gòu)AUS

全局聲學(xué)結(jié)構(gòu)AUS的基本語(yǔ)義單元是用聲學(xué)特征參數(shù)的統(tǒng)計(jì)分布描述的，而聲學(xué)特征參數(shù)不可避免地會(huì)受到說(shuō)話(huà)人差異性影響而引起一定的變化。說(shuō)話(huà)人差異性包括不同說(shuō)話(huà)人具有不同的聲道形狀 （主要指聲道長(zhǎng)度）和其個(gè)性特征［11］等。不同說(shuō)話(huà)人聲道長(zhǎng)度差異通常在頻域視為雙線性變換

頻率彎折曲線如圖2所示。

圖2 對(duì)應(yīng)不同聲道彎折因子α的頻率彎折曲線

這里，ω和ω′分別表示變換前、后的角頻率，α為聲道彎折因子，α＝0時(shí)變換前后的角頻率滿(mǎn)足線性關(guān)系，對(duì)應(yīng)聲道長(zhǎng)度不進(jìn)行彎折處理。一般，有：－1＜α＜1，α的正負(fù)分別對(duì)應(yīng)聲道長(zhǎng)度的縮短和增長(zhǎng)［12］，α絕對(duì)值的大小決定了聲道彎折程度的大小。這種頻域的非線性變換在倒譜域表現(xiàn)為一種線性映射。假設(shè)一說(shuō)話(huà)人語(yǔ)音的倒譜域特征矢量為X，那么同一語(yǔ)音不同說(shuō)話(huà)人的倒譜域特征矢量為AX。高斯混合模型 （Gaussian mixture model，GMM）用于說(shuō)話(huà)人時(shí)，對(duì)不同說(shuō)話(huà)人的語(yǔ)音的短時(shí)譜特征矢量所具有的概率密度函數(shù)進(jìn)行建模［13］，實(shí)現(xiàn)對(duì)說(shuō)話(huà)人個(gè)性特征的建模。因此不同說(shuō)話(huà)人之間個(gè)性特征差異可視作頻域的乘性失真，在倒譜域空間可以表示為疊加性失真B，那么失真后的說(shuō)話(huà)人的倒譜特征矢量變?yōu)閄′＝X＋B。綜合最終的特征矢量變?yōu)閄′＝AX＋B。

AUS中特征分布之間的關(guān)系，用衡量統(tǒng)計(jì)分布之間的Bhattacharyya距離測(cè)度來(lái)描述，以保證在說(shuō)話(huà)人差異的干擾下倒譜特征參數(shù)分布之間的關(guān)系保持不變。Bhattacharyya距離是衡量?jī)蓚€(gè)統(tǒng)計(jì)分布之間距離的一種測(cè)度。如下所示

如果統(tǒng)計(jì)分布是高斯分布，則上式可以推導(dǎo)為

設(shè)原始倒譜域特征矢量x，服從分布P（μ，σ），相同語(yǔ)音不同說(shuō)話(huà)人的倒譜特征矢量為x′＝Ax＋b，服從的特征分布為P（μ′，σ′）。

由于μ＝E（x），σ＝E（x－μ）（x－μ）T，μ′＝E（x′）＝E（Ax＋b）＝Aμ＋b，σ′＝E（x′）＝E（x′－μ′） （x′－μ′）T＝AσAT，那么有

以上說(shuō)明，我們可以從語(yǔ)音中提取對(duì)不同說(shuō)話(huà)人和其個(gè)性特征具有魯棒性的結(jié)構(gòu)化特征，這種結(jié)構(gòu)化特征采用了語(yǔ)音內(nèi)部各個(gè)內(nèi)在特征統(tǒng)計(jì)分布的相對(duì)Bhattacharyya距離來(lái)表示，它是語(yǔ)音的一種有效的結(jié)構(gòu)性模型，這一模型不會(huì)受到不同說(shuō)話(huà)人語(yǔ)音之間差異的影響。理論上不同說(shuō)話(huà)人發(fā)相同語(yǔ)音盡管具有不同的聲學(xué)特征分布，但其AUS是保持不變的［14］。

1.2 基于語(yǔ)音結(jié)構(gòu)化模型的數(shù)字識(shí)別

AUS結(jié)構(gòu)化模型用于數(shù)字識(shí)別的整個(gè)過(guò)程如圖3所示，包括兩部分工作：①對(duì)訓(xùn)練數(shù)字語(yǔ)音建立全局聲學(xué)結(jié)構(gòu)AUS；②提取測(cè)試語(yǔ)音的AUS，與各數(shù)字的語(yǔ)音結(jié)構(gòu)模型匹配，進(jìn)行識(shí)別。

圖3 基于AUS模型的數(shù)字識(shí)別流程

對(duì)訓(xùn)練和測(cè)試語(yǔ)音建立全局聲學(xué)結(jié)構(gòu)時(shí)，首先對(duì)數(shù)字語(yǔ)音提取倒譜特征參數(shù) （如MFCC參數(shù)），然后通過(guò)HMM訓(xùn)練提取內(nèi)在聲學(xué)特征分布，構(gòu)成一個(gè)自左向右的狀態(tài)序列分布。最后計(jì)算各個(gè)分布之間的Bhattacharyya距離形成AUS。數(shù)字AUS模型的描述可以采用一個(gè)M×M對(duì)角線元素值為零的二維對(duì)稱(chēng)矩陣表達(dá)，其中M代表基本語(yǔ)義單元數(shù)，存放各語(yǔ)義單元特征分布之間的距離值。矩陣中各語(yǔ)義單元必須按序排列，第一個(gè)語(yǔ)義單元對(duì)應(yīng)第一行，第二個(gè)語(yǔ)義單元對(duì)應(yīng)第二行，并依次類(lèi)推，表達(dá)各語(yǔ)義單元的相對(duì)時(shí)序關(guān)系。對(duì)訓(xùn)練語(yǔ)音建立AUS時(shí)，訓(xùn)練語(yǔ)音可以是一遍或者多遍樣本數(shù)據(jù)，而對(duì)于測(cè)試語(yǔ)音，僅由一遍測(cè)試語(yǔ)音樣本構(gòu)建其AUS。

識(shí)別實(shí)際上是求兩個(gè)AUS之間的距離，如果把各個(gè)二維矩陣元素看作是二維空間點(diǎn)的話(huà)，那么兩個(gè)矩陣T和R之間的距離可以通過(guò)計(jì)算對(duì)應(yīng)點(diǎn)之間的歐幾里德距離進(jìn)行計(jì)算并匯總得到［15］，即

式中：N——計(jì)算的元素個(gè)數(shù)，M——基本語(yǔ)義單元數(shù)，BDij——語(yǔ)義單元i和j之間的Bhattacharyya距離值。

首先，對(duì)各個(gè)數(shù)字 （假設(shè)N個(gè)數(shù)字）語(yǔ)音建立AUS，得到N個(gè)參考AUS結(jié)構(gòu)化模型，識(shí)別時(shí)提取測(cè)試語(yǔ)音的AUS，并與N個(gè)數(shù)字的AUS匹配，得到與各個(gè)數(shù)字的結(jié)構(gòu)匹配差值d1，d2，…di，dN。第i＊個(gè)數(shù)字串即為最終識(shí)別結(jié)果

其中1≤i≤N。

2 實(shí)驗(yàn)分析

實(shí)驗(yàn)中訓(xùn)練語(yǔ)音數(shù)據(jù)庫(kù)為SUDA－2008數(shù)據(jù)庫(kù)，均在普通實(shí)驗(yàn)室環(huán)境下用普通聲卡進(jìn)行錄音，采樣率為16KHz，量化精度為16位。參加實(shí)驗(yàn)的人數(shù)共有20人，其中10位男性說(shuō)話(huà)人，10位女性說(shuō)話(huà)人。每人錄制了3遍電話(huà)號(hào)碼中的11 個(gè) 數(shù) 字 的 發(fā) 音：0 （ling）、1 （yi）、2 （er）、3（san）、4（si）、5 （wu）、6 （1iu）、7 （qi）、8 （ba）、9（jiu）、1 （yao）。語(yǔ)音信號(hào)分幀處理，幀長(zhǎng)25ms，幀移10ms，加漢明窗，預(yù)加重系數(shù)取0.97，參數(shù)采用17階MFCC參數(shù)。語(yǔ)音模型采用6個(gè)狀態(tài)，每個(gè)狀態(tài)下單高斯分布HMM。AUS方法中同樣采用6個(gè)狀態(tài)的HMM，形成6×6的數(shù)字AUS模型。

基于以上語(yǔ)音數(shù)據(jù)，進(jìn)行兩組實(shí)驗(yàn)，實(shí)驗(yàn)一：對(duì)訓(xùn)練集的語(yǔ)音進(jìn)行不同程度的聲道彎折以模擬更多 “不同說(shuō)話(huà)人”的語(yǔ)音，并構(gòu)成測(cè)試集。實(shí)驗(yàn)二：來(lái)自非訓(xùn)練集的實(shí)際說(shuō)話(huà)人語(yǔ)音構(gòu)成測(cè)試集。兩組實(shí)驗(yàn)均采用少量語(yǔ)料訓(xùn)練，分析AUS方法消除說(shuō)話(huà)人差異性的性能，并與傳統(tǒng)的HMM方法比較。

實(shí)驗(yàn)一：測(cè)試集作如下處理，對(duì)20個(gè)說(shuō)話(huà)人的3遍語(yǔ)音采用 （1）進(jìn)行頻率的非線性變換，實(shí)現(xiàn)不同程度的聲道彎折，以模擬具有不同聲道長(zhǎng)度的說(shuō)話(huà)人語(yǔ)音。實(shí)驗(yàn)中彎折因子α?。?.4，－0.35，…，0，…，0.35，0.4，共17個(gè)彎折系數(shù)，其中α＝0表示聲道不做彎折處理，并以該 “說(shuō)話(huà)人”的各個(gè)數(shù)字的1遍語(yǔ)音分別作為訓(xùn)練集，進(jìn)行Mel倒譜分析，訓(xùn)練HMM，建立AUS結(jié)構(gòu)化模型。其余16個(gè)彎折因子下，即16個(gè) “不同說(shuō)話(huà)人”的語(yǔ)音構(gòu)成測(cè)試集，同樣訓(xùn)練HMM提取其AUS與各個(gè)數(shù)字的結(jié)構(gòu)化模型進(jìn)行匹配。實(shí)驗(yàn)統(tǒng)計(jì)20個(gè)說(shuō)話(huà)人的語(yǔ)音數(shù)據(jù)的識(shí)別情況，其中每個(gè)彎折因子下660（＝20×3×11）個(gè)識(shí)別數(shù)據(jù)。實(shí)驗(yàn)結(jié)果如圖4所示。

圖4 不同彎折因子下的識(shí)別率

由圖4可以看出：

（1）聲道彎折因子α＝0時(shí)，該情況下測(cè)試語(yǔ)音來(lái)自訓(xùn)練語(yǔ)料集，AUS方法和HMM方法具有一致的性能。識(shí)別率都為100%。

（2）在聲道彎折程度較小α＝－0.05和α＝0.05時(shí)，由于說(shuō)話(huà)人聲道長(zhǎng)度差異性較小，AUS方法的識(shí)別率略高于HMM方法，AUS方法的優(yōu)越性并不明顯。

（3）當(dāng)聲道彎折程度｜α｜＞0.05時(shí)，隨著聲道彎折程度的增加，不同說(shuō)話(huà)人之間聲道長(zhǎng)度差異增大，HMM方法下的識(shí)別率迅速下降，而AUS方法的識(shí)別率在不同彎折因子下仍能都保持在70%以上。在｜α｜＞0.2的各個(gè)彎折因子下，AUS方法的識(shí)別率效果相當(dāng)，并沒(méi)有隨著說(shuō)話(huà)人差異的增加而導(dǎo)致識(shí)別率降低?？梢?jiàn)，語(yǔ)音結(jié)構(gòu)化模型可以有效消除說(shuō)話(huà)人之間的差異，提高系統(tǒng)的識(shí)別率。

實(shí)驗(yàn)二：以來(lái)自非訓(xùn)練集的實(shí)際說(shuō)話(huà)人語(yǔ)音構(gòu)成測(cè)試集，對(duì)20個(gè)說(shuō)話(huà)人依次標(biāo)號(hào)，其中1－10為男性說(shuō)話(huà)人，11－20為女性說(shuō)話(huà)人。以說(shuō)話(huà)人1的各個(gè)數(shù)字的2遍語(yǔ)音作為訓(xùn)練集，進(jìn)行Mel倒譜分析，訓(xùn)練HMM，建立AUS結(jié)構(gòu)化模型。除說(shuō)話(huà)人1外其余19個(gè)說(shuō)話(huà)人每人3遍的語(yǔ)音，共627（＝19×3×11）個(gè)測(cè)試語(yǔ)音構(gòu)成測(cè)試集做識(shí)別；同樣以說(shuō)話(huà)人2的各個(gè)數(shù)字的3遍語(yǔ)音做訓(xùn)練集，除說(shuō)話(huà)人2外其余19個(gè)說(shuō)話(huà)人的語(yǔ)音構(gòu)成測(cè)試集，依次類(lèi)推。實(shí)驗(yàn)分析以20個(gè)說(shuō)話(huà)人語(yǔ)音依次作訓(xùn)練集時(shí)，AUS方法和HMM方法的識(shí)別性能，實(shí)驗(yàn)結(jié)果如圖5所示。

圖5 20個(gè)說(shuō)話(huà)人語(yǔ)音依次作訓(xùn)練集時(shí)AUS方法和HMM方法的識(shí)別率

由圖5可以看出：

（1）AUS方法下的識(shí)別率大多高于HMM方法下的識(shí)別率，只有在說(shuō)話(huà)人13和說(shuō)話(huà)人15都為女性說(shuō)話(huà)人時(shí)，HMM方法的識(shí)別率高于AUS方法。在以說(shuō)話(huà)人7作為訓(xùn)練模板時(shí)，AUS方法達(dá)到最大的識(shí)別率65.12%。可見(jiàn)在較少訓(xùn)練量的情況下，AUS方法能夠消除實(shí)際說(shuō)話(huà)人之間的差異性，獲得比HMM更高的識(shí)別率。

（2）實(shí)際上從實(shí)驗(yàn)一的結(jié)果可以看出，如果實(shí)際說(shuō)話(huà)人差異不大，HMM方法和AUS方法的性能相當(dāng)，所以在實(shí)驗(yàn)二中以個(gè)別說(shuō)話(huà)人作為訓(xùn)練集時(shí)，HMM方法的識(shí)別率高于AUS方法。因此少量語(yǔ)料且說(shuō)話(huà)人差異較大時(shí)，較HMM方法AUS方法能很好地體現(xiàn)其優(yōu)勢(shì)性。

（3）由于不同說(shuō)話(huà)人聲道長(zhǎng)度的差異不一定能很好地符合頻域的非線性變換，且實(shí)際中說(shuō)話(huà)人之間的差異性還受很多其它因素影響，如聲音的不穩(wěn)定性等。因此與實(shí)驗(yàn)一結(jié)果相比AUS在消除實(shí)際說(shuō)話(huà)人差異性方面的效果不那么明顯。

以上兩個(gè)實(shí)驗(yàn)表明，在少量語(yǔ)料訓(xùn)練下，AUS方法可以取得優(yōu)于HMM方法的性能。HMM方法在說(shuō)話(huà)人語(yǔ)音特征差異下，即訓(xùn)練和測(cè)試語(yǔ)音特征空間相差較大時(shí)，其識(shí)別性能迅速下降。而AUS方法能有效消除模擬說(shuō)話(huà)人和實(shí)際說(shuō)話(huà)人之間的差異，且較少的訓(xùn)練語(yǔ)料就可以達(dá)到較好的識(shí)別效果。

3 結(jié)束語(yǔ)

本文介紹了一種新穎、不同于傳統(tǒng)聲學(xué)特征來(lái)描述模型的語(yǔ)音識(shí)別方法—語(yǔ)音結(jié)構(gòu)化模型的識(shí)別方法。引出語(yǔ)音結(jié)構(gòu)化模型的相關(guān)理論，并運(yùn)用語(yǔ)音結(jié)構(gòu)化模型方法進(jìn)行數(shù)字語(yǔ)音識(shí)別。實(shí)驗(yàn)中比較了AUS方法和HMM方法在兩種情形下的識(shí)別率：①采用聲道彎折方法模擬不同聲道長(zhǎng)度的說(shuō)話(huà)人之間差異性；②實(shí)際說(shuō)話(huà)人之間的差異性。實(shí)驗(yàn)結(jié)果表明，在少量語(yǔ)料訓(xùn)練下，AUS方法可以取得優(yōu)于HMM的性能，語(yǔ)音結(jié)構(gòu)化模型可以有效消除說(shuō)話(huà)人之間的差異。但實(shí)際說(shuō)話(huà)人之間的差異性除了聲道長(zhǎng)度和個(gè)性特征差異外，還有其它因素的影響，此時(shí)AUS方法在消除差異性方面效果相對(duì)不那么明顯。

［1］Nobuaki Minematsu.Mathematical evidence of the acoustic universal structure in speech ［C］.Japan：Proceedings of IEEE International Conference on Acoustics Speech and Signal Processing，2005：889－892.

［2］MA Xuebin，Nobuaki Minematsu.Dialect－based speaker classification of Chinese using structural representation of pronunciation ［C］.Proc of Speech and Computer，2008：350－355.

［3］YU Qiao，Shimomura N，Minematsu N.Unsupervised optimal phoneme segmentation：Objectives，algorithm and comparisons［C］.IEEE International Conference on Acoustics Speech and Signal Processing，2008：3989－3992.

［4］Daisuke Saito，YU Qioa，Nobuaki Minematsu，et al.Improvement of structure to speech conversion using iterative optimization ［C］.Proc of Speech and Computer，2009：174－179.

［5］DAO Jianzeng，YU Yibiao.Voice conversion using structured Gaussian mixture model［C］.Beijing：10th International Conference on Signal Processing，2010：541－544.

［6］Saito D，Asakawa S，Minematsu N，et al.Structure to speech conversion－speech generation based on infant－like vocal imitation［C］.9th Annual Conference of the International Speech Communication Association，2008：1837－1840.

［7］Minematsu N，Asakawa S，Hirose K.Structural representation of the pronunciation and its use for CALL ［C］.Proc of IEEE Spoken Language Technology Workshop，2006：126－129.

［8］Takao Murakami，Kazutaka Maruyama，Nobuaki Minematsu，et al.Japanese vowel recognition using external structure of speech ［C］.Proceedings of Automatic Speech Recognition and Understanding，2005：203－208.

［9］YU Qiao，Nobuaki Minematsu，Keikichi Hirose.On invariant structural representation for speech recognition：theoretical validation and experimental improvement［C］.10th Annual Conference of the International Speech Communication Association，2009：3055－3058.

［10］Minematsu N，Satoshi Asakawa.Implementation of robust speech recognition by simulating infants’speech perception based on the invariant sound shape embedded in utterances［C］.Proc of Speech and Computer，2009：35－40.

［11］Nobuaki Minematsu.Yet another acoustic representation of speech sounds ［C］.Proceedings of International Conference on Acoustics Speech and Signal Processing，2004：585－588.

［12］Michael Pitz，Sirko Molau，Ralf Schluter，et al.Vocal tract normalization equals linear transformation in cepstral space ［J］.IEEE Trans on Speech and Audio Processing，2005，13（5）：930－944.

［13］RUI Xianyi.Research on speaker identification in noisy environment［D］.Suzhou：Soochow University，2005 （in Chinese）.［芮賢義.噪聲環(huán)境下說(shuō)話(huà)人識(shí)別研究 ［D］.蘇州：蘇州大學(xué)，2005.］

［14］Nobuaki Minematsu，Tazuko Nishimura，Katsuhiro Nishinari，et al.Theorem of the invariant structure and its derivation of speech gestalt［C］.Proceedings of Speech Recognition and Audio Processing，2005：930－944.

［15］Nobuaki Minematsu.Mathematical evidence of the acoustic universal structure in speech ［C］.Japan：Proceedings IEEE International Conference on Acoustics Speech and Signal Processing，2005：889－892.