羅洋+周蘭江

摘 要：根據(jù)領(lǐng)域術(shù)語的音節(jié)關(guān)聯(lián)特點，提出一種基于術(shù)語音節(jié)關(guān)聯(lián)特性的領(lǐng)域術(shù)語聲學(xué)模型建模方法。該方法首先根據(jù)領(lǐng)域術(shù)語字間發(fā)音的特點，以聲韻母作為識別基元，構(gòu)建融合零聲母音節(jié)的擴展聲韻母集合（Extended Initial Final-EIF），然后根據(jù)術(shù)語發(fā)音的聲韻母組合情況制定出識別單元的組合規(guī)則，并構(gòu)建上下文相關(guān)的三音子模型（Triphone-Tri），最后通過Tri-EIF模型實現(xiàn)領(lǐng)域術(shù)語識別。對比實驗結(jié)果表明，Tri-EIF模型具有較好的識別效果，術(shù)語識別正確率與上下文無關(guān)模型相比提高了28%。

關(guān)鍵詞：語音識別；領(lǐng)域術(shù)語；聲學(xué)建模；上下文關(guān)聯(lián)

DOIDOI：10.11907/rjdk.172367

中圖分類號：TP301

文獻標(biāo)識碼：A 文章編號：1672-7800（2018）002-0012-03

0 引言

聲學(xué)建模是語音識別領(lǐng)域中的一個關(guān)鍵問題。在建模過程中，建模單元的選擇尤為重要，目前可選用的建模單元有詞、音節(jié)和聲韻母等[1]。其中基于詞作為識別基元的聲學(xué)建模方法適用于小詞表語音識別系統(tǒng)[2]；基于音節(jié)作為識別基元的聲學(xué)建模方法常用于構(gòu)建上下文無關(guān)的聲學(xué)模型[3]，該方法雖然能很好地刻畫出音節(jié)內(nèi)部變化，但未考慮詞語發(fā)音時音節(jié)間的協(xié)同發(fā)音問題，當(dāng)運用于大詞匯量語音識別時效果并不理想；基于聲韻母作為識別基元常用于構(gòu)建上下文相關(guān)的聲學(xué)模型[4]，此模型考慮了詞匯發(fā)音時音節(jié)內(nèi)和音節(jié)間的關(guān)聯(lián)關(guān)系，有效緩解了音節(jié)間協(xié)同發(fā)音的問題，在大詞匯量語音識別和連續(xù)語音識別中得到了廣泛運用。

通用領(lǐng)域詞匯[5]識別時，常選用標(biāo)準(zhǔn)聲韻母集合（聲母和有調(diào)韻母總數(shù)接近200個）[6]。由于音節(jié)間上下文關(guān)系復(fù)雜，以聲韻母作為建模單元構(gòu)建上下文相關(guān)的聲學(xué)模型時，模型數(shù)量級達到105，使得模型不容易被訓(xùn)練，導(dǎo)致詞匯識別率低。在對領(lǐng)域術(shù)語進行識別時，由于領(lǐng)域術(shù)語詞匯量遠小于通用領(lǐng)域詞匯量[7]，同時領(lǐng)域術(shù)語發(fā)音時常出現(xiàn)的聲韻母數(shù)量遠小于或等于標(biāo)準(zhǔn)聲韻母集合，另外領(lǐng)域術(shù)語發(fā)音時上下文關(guān)系相對簡單。因此，在對領(lǐng)域術(shù)語進行識別時，研究減少建模單元數(shù)量和根據(jù)領(lǐng)域術(shù)語發(fā)音特性制定建模單元組合規(guī)則，建立上下文相關(guān)的聲學(xué)模型是非常必要的。

1 基于領(lǐng)域術(shù)語發(fā)音規(guī)則的識別單元集合構(gòu)建

對自然語言的識別和理解，首先必須將連續(xù)的講話分解為詞、音素、聲韻母等識別單元。通過對領(lǐng)域術(shù)語發(fā)音特點的研究發(fā)現(xiàn)，聲韻母的劃分比較符合術(shù)語發(fā)音特點。比如，術(shù)語中的音節(jié)通常由聲韻母構(gòu)成，可以比較統(tǒng)一地表示領(lǐng)域術(shù)語的發(fā)音。另外，在領(lǐng)域術(shù)語發(fā)音中，聲韻母的上下文信息也只會是聲韻母或靜音。聲母和韻母的搭配使上下文發(fā)音的表示變得容易，也有利于模型的訓(xùn)練和識別。

由于領(lǐng)域術(shù)語詞匯量規(guī)模遠遠小于通用領(lǐng)域詞匯量規(guī)模，故可以通過統(tǒng)計篩選出領(lǐng)域術(shù)語發(fā)音時常出現(xiàn)的聲母和韻母。得到適合領(lǐng)域術(shù)語發(fā)音的聲韻母集合后，還需對術(shù)語發(fā)音時出現(xiàn)的聲韻母組合情況進行統(tǒng)計并制定組合規(guī)則，以減少模型數(shù)量。經(jīng)過統(tǒng)計，領(lǐng)域術(shù)語發(fā)音時聲韻母組合情況主要有：音節(jié)1（聲母-韻母）、音節(jié)2（聲母+韻母）、音節(jié)1+聲母、韻母-音節(jié)2。在此基礎(chǔ)上統(tǒng)計出所有可能出現(xiàn)的聲韻母單元組合情況，從而過濾出不存在的聲韻母組合，比如：“b-e”、“g-v”等。同時，由于領(lǐng)域術(shù)語中聲韻母的上下文關(guān)系比較復(fù)雜，聲母的上下文只能是韻母，而韻母的上下文既可以為聲母，還可以為韻母。在此，增加了6個零聲母音節(jié){-a，-e，-i，-o，-u，-v}構(gòu)建出擴展的聲韻母集合。引入零聲母音節(jié)后，每個韻母的上下文都只能是聲母，因此兩個韻母相鄰的情況將不再出現(xiàn)，從而簡化了領(lǐng)域術(shù)語中聲韻母的上下文關(guān)系。

2 領(lǐng)域聲學(xué)模型庫構(gòu)建

在聲學(xué)模型中，識別基元與特征矢量存在一一對應(yīng)關(guān)系，而聲學(xué)模型則是描述這二者之間對應(yīng)的過程。通過聲學(xué)建模，可以估計待識別特征矢量序列所對應(yīng)的語音識別基元，從而完成特征矢量序列到語音識別基元的識別轉(zhuǎn)換。

本文首先對擴展聲韻母集合（XIF）中的所有聲母和有調(diào)韻母建立模型，分別對應(yīng)initial模型和final模型，再加上靜音模型sil和字間暫停模型sp，成為上下文無關(guān)的XIF模型。在此采用的模型為經(jīng)典的連續(xù)概率密度隱馬爾可夫模型（CDHMM）[8]。針對領(lǐng)域術(shù)語的發(fā)音特點，主要采用了以下3種HMM結(jié)構(gòu)，如圖1所示。

圖1中，（a）表示initial和final模型；（b）表示SP（Short Pause）模型，用來描述語音中的短暫停頓，一般只用一個狀態(tài)表示即可；（c）表示靜音模型silence，采用3個狀態(tài)表示，并且狀態(tài)間可以前后跳轉(zhuǎn)。

其次，根據(jù)領(lǐng)域術(shù)語發(fā)音特點：音節(jié)1（聲母-韻母）、音節(jié)2（聲母+韻母）、音節(jié)1+聲母、韻母-音節(jié)2，擴展XIF模型構(gòu)建上下文相關(guān)聯(lián)的三音子模型（tri-XIF）。例如：領(lǐng)域術(shù)語可以用半音節(jié)序列來描述，即sil ini fin （sp） ini （sp） …ini fin sil，括號表示此處的sp可以被跨越。當(dāng)擴展為tri-XIF時，initial模型可以表示為fin-ini+fin或者sp/sil-ini+fin的形式，final可以表示為ini-fin+ini或者ini-fin+sp/sil的形式。例如，單詞“西雙版納（XiShuangBanNa）”可以表示為圖2。其中，第一個狀態(tài)和最后一個狀態(tài)只起連接作用，沒有輸出概率。

然后，對模型進行訓(xùn)練時，首先標(biāo)注出用于訓(xùn)練的語音數(shù)據(jù)對應(yīng)發(fā)音字典的詞序列、起始時刻和終止時刻；接著利用Viterbi算法[9]對模型進行初始化，將對應(yīng)于某個HMM的語音數(shù)據(jù)段按照固定的狀態(tài)序列進行最優(yōu)的狀態(tài)切分，再利用切分到每個狀態(tài)的語音數(shù)據(jù)估計狀態(tài)參數(shù)；最后，利用Baum-Welch算法對初始化后的模型進行訓(xùn)練。領(lǐng)域術(shù)語聲學(xué)模型庫的構(gòu)建流程如圖3所示。endprint

最后，識別工作就是在給定領(lǐng)域術(shù)語聲學(xué)模型庫的基礎(chǔ)上，利用語法和詞典建立的詞網(wǎng)絡(luò)，根據(jù)一定的搜索策略在該網(wǎng)絡(luò)中找到一個最佳路徑作為識別結(jié)果。

3 領(lǐng)域術(shù)語識別實驗與結(jié)果分析

3.1 實驗數(shù)據(jù)

本文錄制了旅游領(lǐng)域術(shù)語的語音語料。其中旅游術(shù)語詞匯是從互聯(lián)網(wǎng)上抓取并經(jīng)過整理的旅游詞匯，共計約5 000個。其中旅游景點名有3 741個，還包含一些旅游機構(gòu)名﹑常用口語等。朗讀的旅游領(lǐng)域問句和術(shù)語主要以略帶方言的口音為主，包括來自云南、山東、湖北、湖南等地方言。語音庫有10人的語音數(shù)據(jù)，共計20h。語音標(biāo)注采用手工標(biāo)注為主，輔以機器切分的方式獲得。實驗中選用7人的語音數(shù)據(jù)作為訓(xùn)練集，剩下3人的語音數(shù)據(jù)作為測試集。測試語音數(shù)據(jù)集不在訓(xùn)練中使用。

其中基于領(lǐng)域術(shù)語的發(fā)音特性構(gòu)建出的擴展聲韻母集合如表1所示。

在實驗中，使用了劍橋大學(xué)開發(fā)的HTK語音識別工具包[10]，版本為v3.3。測試結(jié)果使用模型數(shù)量進行詞匯識別正確率評價。

3.2 術(shù)語識別中領(lǐng)域聲學(xué)模型引導(dǎo)概率權(quán)重選取

在本文構(gòu)建的聲學(xué)模型中，領(lǐng)域聲學(xué)庫對領(lǐng)域術(shù)語的識別準(zhǔn)確率有著一定影響。本節(jié)通過實驗選擇合適的引導(dǎo)概率，使領(lǐng)域聲學(xué)庫和通用聲學(xué)模型有較好的融合，從而達到較好的識別效果。為更好地表現(xiàn)識別率的變化，本文在2 000個詞匯的數(shù)據(jù)集上進行了測試，結(jié)果如圖4所示。

由圖4可以看出，在λ=0時，聲學(xué)模型中并沒有加入領(lǐng)域聲學(xué)庫，識別錯誤率與通用系統(tǒng)相同；隨著λ的增大，在取值為0.6～1.4時，識別錯誤率下降明顯，最低達到16.7%。與通用系統(tǒng)相比，識別率下降了4.6%；然而λ繼續(xù)增大時，識別錯誤率沒有進一步下降，反而上升。

從本質(zhì)上講，領(lǐng)域聲學(xué)庫是通過加大當(dāng)前音節(jié)與后續(xù)音節(jié)的聯(lián)系概率，以增大術(shù)語詞匯的區(qū)分能力。在包含一定比例術(shù)語的數(shù)據(jù)集上，當(dāng)取值一定時，這種影響能較好地區(qū)分出前后音節(jié)的關(guān)聯(lián)。而過大地增加權(quán)重，會干擾正常詞語的概率計算，反而使識別錯誤率上升。

3.3 聲學(xué)模型性能比較

為了說明基于領(lǐng)域術(shù)語音節(jié)關(guān)聯(lián)特性的聲學(xué)建模方法不僅能減少模型規(guī)模，還能提高領(lǐng)域術(shù)語的識別率，所以設(shè)置了如下實驗，在實驗中分別使用擴展聲韻母集合（EIF）作為識別基元構(gòu)建了上下文無關(guān)的聲學(xué)模型（EIF-Monophone）和上下文相關(guān)的聲學(xué)模型（EIF-Triphone），另外使用標(biāo)準(zhǔn)聲韻母集合（IF）作為識別基元構(gòu)建了上下文無關(guān)的聲學(xué)模型（IF-Monophone）和上下文相關(guān)的聲學(xué)模型（IF-Triphone）。這4種模型在不同詞匯量下對于領(lǐng)域術(shù)語詞匯的識別正確率如表2所示。

首先從表2中可以看出，無論是上下文無關(guān)的聲學(xué)模型（Monophone）還是上下文相關(guān)的聲學(xué)模型（Triphone），在同等詞匯量下使用EIF作為識別單元，識別正確率都高于以IF作為識別基元的聲學(xué)建模方法。說明擴展的聲韻母集合由于考慮了領(lǐng)域術(shù)語發(fā)音特性選取出適合的識別基元，同時在建立模型時基于術(shù)語發(fā)音規(guī)則優(yōu)化基元組合，使聲學(xué)模型數(shù)量大大減少，從而使聲學(xué)模型得到了充分訓(xùn)練，達到了提高領(lǐng)域術(shù)語識別正確率的效果。其次從表2中還可看出，無論是選用IF還是EIF作為識別基元，上下文相關(guān)的聲學(xué)模型（Triphone）在同等詞匯量下識別正確率都遠高于上下文無關(guān)的聲學(xué)模型。說明本文研究的基于術(shù)語音節(jié)關(guān)聯(lián)特性的領(lǐng)域術(shù)語聲學(xué)建模方法，由于考慮了領(lǐng)域術(shù)語間協(xié)同發(fā)音的問題，針對術(shù)語發(fā)音時音節(jié)之間的關(guān)聯(lián)關(guān)系，使術(shù)語識別正確率得到了顯著提高，此方法尤其適用于對大詞匯量領(lǐng)域術(shù)語的識別中。

上下文無關(guān)的聲學(xué)模型無論選用IF還是EIF作為識別基元，模型規(guī)模都遠高于上下文相關(guān)的聲學(xué)模型規(guī)模。另外，IF-Triphone模型的規(guī)模也是EIF-Triphone模型規(guī)模的4倍左右。以上兩個現(xiàn)象分別說明了在大詞表術(shù)語識別中，上下文無關(guān)的聲學(xué)模型由于基元組合情況較為復(fù)雜，導(dǎo)致模型規(guī)模異常龐大。而建立通用領(lǐng)域上下文相關(guān)的聲學(xué)模型（IF-Triphone）時，由于沒有很好地考慮到術(shù)語發(fā)音時音節(jié)間的組合規(guī)則，導(dǎo)致模型數(shù)量也遠高于本文提出的擴展聲韻母集合（EIF）作為識別基元構(gòu)建的上下文相關(guān)的聲學(xué)模型（EIF-Triphone）。

4 結(jié)語

本文提出的基于術(shù)語音節(jié)關(guān)聯(lián)特性的領(lǐng)域術(shù)語聲學(xué)建模方法，結(jié)合了術(shù)語發(fā)音時音節(jié)間的關(guān)聯(lián)關(guān)系，構(gòu)建出擴展聲韻母集合，并基于術(shù)語發(fā)音規(guī)則構(gòu)建上下文相關(guān)聯(lián)的聲學(xué)模型，不僅降低了聲學(xué)模型訓(xùn)練時的計算復(fù)雜度，同時提高了術(shù)語識別正確率。

參考文獻：

[1] 陳方，高升.語音識別技術(shù)及發(fā)展[J].電信科學(xué)，1996，12（10）：54-57.

[2] 汲清波，盧侃，李康.在孤立詞語音識別中動態(tài)時間規(guī)正的改進算法[J].計算機工程與應(yīng)用，2010，46（25）：55-57.

[3] BAGHDASARYAN A G， BEEX A. Signals，automatic phoneme recognition with segmental hidden markov models systems and computers （ASILOMAR）[C].2011 Conference Record of the Forty Fifth Asilomar Conference on， Pacific Grove， CA，2012：569-574.

[4] GEORGE E DAHL， DONG YU， LI DENG， et al. Context-dependent pre-trained deep neural networks for large-vocabulary speech recognition[J]. IEEE Transactions on Audio， Speech & Language Processing，2012，20：30-42.

[5] 邵佳.旅游領(lǐng)域問句語音識別中規(guī)則語言模型自動構(gòu)建研究[D].昆明：昆明理工大學(xué)，2013.

[6] 劉連國.基于聲韻母結(jié)構(gòu)的漢語語音識別研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，1998.

[7] 司圣濤.領(lǐng)域知識庫的構(gòu)建方法及其應(yīng)用研究[D].昆明：昆明理工大學(xué)，2009.

[8] FARSI， H， SALEH R. Implementation and optimization of a speech recognition system based on hidden Markov modelusing genetic algorithm，Intelligent Systems （ICIS）[C].2014 Iranian Conference on，Bam，2014：1-5.

[9] 蔣冬梅，傅國康，趙榮椿.考慮狀態(tài)持續(xù)時間的改進Viterbi算法及語音識別[J].西北工業(yè)大學(xué)學(xué)報，2000，18（4）：595-59.

[10] S YOUNG， J JANSEN， J ODELL， et al. The HTK book[R].UK：Cambridge University Engineering Department，2009.endprint