使用HMM實(shí)現(xiàn)聲調(diào)語(yǔ)音模型的研究說明

　　針對(duì)聲韻母相同但聲調(diào)不同的近音字識(shí)別問題和聲韻母及聲調(diào)都相同的同音字識(shí)別問題，提出在語(yǔ)音模型和語(yǔ)言模型中分別引入聲調(diào)和字轉(zhuǎn)移概率，以提高近音字和同音字的識(shí)別率。首先將聲調(diào)劃分為 5 種表現(xiàn)形式添加到漢語(yǔ)音節(jié)的最后一個(gè)音素中構(gòu)成新音素，使用高斯混合隱馬爾科夫模型建模新音素。然后通過統(tǒng)計(jì)方法計(jì)算特定語(yǔ)境下的字間轉(zhuǎn)移概率。最后使用 HTK 工具包實(shí)現(xiàn)了帶聲調(diào)的語(yǔ)音模型和有字轉(zhuǎn)移概率的語(yǔ)言模型。實(shí)驗(yàn)結(jié)果證明添加聲調(diào)可以提高近音字的識(shí)別率，使用特定語(yǔ)境下字間轉(zhuǎn)移概率可以提高同音字的識(shí)別率。

　　語(yǔ)言是人類溝通的重要工具，語(yǔ)音識(shí)別是人工智能研究的重要領(lǐng)域。20 世紀(jì) 50 年代，貝爾實(shí)驗(yàn)室設(shè)計(jì)了第一個(gè)語(yǔ)音識(shí)別系統(tǒng)，實(shí)現(xiàn)了對(duì)孤立數(shù)字的語(yǔ)音識(shí)別［1］。20 世紀(jì) 60 年代，提出了時(shí)間歸一化打分機(jī)制、音素動(dòng)態(tài)跟蹤技術(shù)和動(dòng)態(tài)規(guī)劃算法，有效地解決了語(yǔ)音信號(hào)的特征提取和不等長(zhǎng)語(yǔ)音匹配問題［2］。20 世紀(jì) 70 年代，模式識(shí)別思想、線性預(yù)測(cè)編碼等技術(shù)被應(yīng)用于語(yǔ)音識(shí)別中，識(shí)別對(duì)象從孤立詞轉(zhuǎn)移到連續(xù)語(yǔ)音［3］。20 世紀(jì) 90 年代及以后，隱馬爾科夫模型（hidden markov modol， HMM）、高 斯 混 合 模 型（gaussian mixed model， GMM）被提出［4］，基于 GMM-HMM 的語(yǔ)音識(shí)別框架得到廣泛使用和研究，文獻(xiàn)［5］通過改進(jìn)語(yǔ)音特征參數(shù)相鄰幀的相關(guān)性，進(jìn)一步提高 GMM-HMM 的準(zhǔn)確度；文獻(xiàn)［6-7］使用 GMM-HMM 識(shí)別了連續(xù)語(yǔ)音的聲調(diào)。目前，深度學(xué)習(xí)技術(shù)也被應(yīng)用于語(yǔ)音處理系統(tǒng)［8-11］，由于它對(duì)訓(xùn)練數(shù)據(jù)和硬件資源有著極高的要求，限制了其使用范圍?，F(xiàn)代漢語(yǔ)是一種有聲調(diào)的特殊語(yǔ)音，音素和聲調(diào)組合可以構(gòu)成無(wú)數(shù)個(gè)多音字和同音字的發(fā)音。一方面，同一個(gè)漢字在不同的聲調(diào)下代表不同的意義，另一方面，相同的讀音可能代表完全不同的漢字，因此，與印歐語(yǔ)系的語(yǔ)言相比，聲調(diào)和上下文信息對(duì)漢語(yǔ)語(yǔ)音的識(shí)別具有更重要的作用［12］。本文在語(yǔ)音模型中添加聲調(diào)，并使用字轉(zhuǎn)移概率捕獲上下文信息，修改 HTK［13］工具包以適應(yīng)漢語(yǔ)語(yǔ)音識(shí)別問題，實(shí)驗(yàn)結(jié)果證明了聲調(diào)對(duì)近音字識(shí)別的重要性，同時(shí)字轉(zhuǎn)移概率的引入能有效提高同音字識(shí)別的準(zhǔn)確率。