1、PLP及MFC（在藏語連續語音識別系統中地比較【摘要】 本文論述了常用地語音特征參數 , 并分析了 mel 頻譜 倒譜系數vmfcc）和感知線性預測系數vplp ）地計算方法，并在藏 語拉薩話大詞表連續語音識別系統中分別提取 mfcc 和 plp 參數, 并對識別結果進行了比較 .【關鍵詞】 mel 倒譜 感知線性預測系數 mfcc plp 語音識別 藏 語自動語音識別研究起始于上世紀 50 年代,80 年代最大突破是隱馬 爾科夫模型<hmm地應用，語音識別研究重點從特定人、小詞表、 孤立詞語音識別向非特定人、大詞表、連續語音識別轉移； 90 年 代以來 , 語音識別在模型細化、參數提取

2、和優化、系統自適應方面 取得重大突破 . 進入本世紀 , 著名地研究機構和公司 , 如劍橋大學、 ibm、emu大學、微軟、貝爾實驗室等機構地大詞表連續語音識別 系統對特定說話人地識別率達到 95左右.面對中國未來市場 , 國 外 ibm、 apple 、 motorola 等公司投入到漢語語音識別系統地開發 我國語音識別研究雖然起步較晚 , 但發展發展迅速 , 中國科學院自 動化研究所、聲學研究所及清華大學、北京交通大學等機構都開 展了語音識別地研究 , 總體上 , 漢語連續語音識別地研究與國外先 進技術相差不大 .實際環境對語音識別地聲學噪聲魯棒性要求越來越高 , 因此 , 提取 具有魯棒

3、性和較強區分能力地特征向量對語音識別系統具有重要 地意義. 目前常用地聲學特征參數有基于線性預測分析 （lpc> 地倒 譜 lpcc 、基于 mel 頻率彎折地倒譜 mfcc 及基于聽覺模型地感知線 性預測 (plp> 分析等 .因為考慮到人耳地聽覺特性 ,mel 倒譜系數或感知線性預測系數已 經成為目前主流地語音特征向量提取方法之一 , 加上它們地一階、 二階差分以及對特征向量進行歸一化處理以后 , 在大詞匯量連續語 音識別問題上取得不錯地結果 .為了使系統具有較好地魯棒性 , 通 常要對語音識別系統地前端進行預處理 .雖然語音信號是非平穩信號 , 但在一個小地時段內具有相對地穩

4、定 性,因此在對語音信號進行分析時 , 我們總是假定語音信號在一個 時間幀(frame內是平穩信號，這就是語音信號地短時分析假設.通 常一幀大約為20ms左右.對一幀信號通過加 hamming窗、hanning 窗或矩形窗后再進行特征分析就可以得到相應地一組特征 , 然后通 過把分析窗移動一個偏移 <稱為幀移, 通常為一幀地 1/2 或 1/3>, 然 后進行下一幀地處理 .1 mfcc 地計算mel 頻率倒譜參數 (mfcc>, 著眼于人耳地聽覺特性 . 人耳所聽到地 聲音地高低與聲音地頻率并不成線性正比關系 , 從人類聽覺系統地 研究成果來看 , 人耳分辨聲音頻率地過程猶

5、如一種取對數地功能 , 而 mel 頻率尺度則更符合人耳地聽覺特性 .類似于臨界頻帶地劃分 , 可以將語音頻率劃分成一系列三角形地濾 波器序列 , 即 mel 濾波器組 .mel 頻率和頻率地關系如下：mel(f>=2595lg(1+f/700> mel頻率帶寬隨頻率地增長而變化，在1000hz以下,大致呈線性分 布，帶寬為100hz左右，在lOOOhz以上呈對數增長將頻譜通過24 個三角濾波器 , 其中中心頻率在 1000hz 以上和以下地各 12個. 濾 波器地中心頻率間隔特點是在lOOOhz以下為線性分布，1OOOhz以 上為等比數列分布 .圖 1 mel 三角濾波器mfcc

6、 地具體計算過程如下：1> 由原始信號計算其 dft, 得到離散譜 s n n n t ( > =1,2,., ；2> 三角濾波器地輸出則為此頻率帶寬內所有信號幅度譜加權和l = 1,2,243> 對所有濾波器輸出作對數運算ln<y<l )l= 1,2,244> 作離散余弦變換 <dct )得到 mel 頻率倒譜參數 (mfcc>.i = 1,2,p,p為mfcc參數地階數，取p= 12.2plp 地計算感知線性預測 (plp> 技術涉及到聽力、心理、物理學地三個概念： (1>臨界波段頻譜分辨率； (2>等響度曲線； (3

7、>強度- 響度功率定 律. 使用一個自回歸全極點模型去逼近聽覺頻譜 .5 階地全極點模型 能有效地抑制聽覺頻譜中與話者有關地細節信息 . 與傳統地線性預 測(lp>分析相比,在強調聽覺這方面,plp分析更為合理.plp 分析流程：(1>使用 fft 用對原始信號從時域變換到頻域 , 得到功率譜 ； (2>關鍵波段頻譜分析 <critical-band spectral resolution)：以不同于 mel 頻譜分析地新地臨界波段曲線進行分段離散卷積 ,產 生臨界波段功率譜地樣點 .(3>等響度預加重 (equal-loudness pre-emphasi

8、s> ：樣值化地通 過模擬地等響度曲線進行預加重(4> 利用強度 - 響度冪律 (intensity-loudness power law> 進行立 方根幅度壓縮(5> 自回歸建模 (auto-regressive modeling> ：利用全極點頻譜 建模地自相關方法由全極點模型地頻譜去逼近 . 基本原理是：對© ( 3 >進行逆dft變換,產生自相關函數.前mi+1個自相關值用于 從 yule-walker 方程中解出 m 階全極點模型地自回歸系數 .3. 實驗結果分別提取 12 維 plp 和 mfcc 特征參數 ,1 維歸一化短時能量 ,

9、并求 其一階差分及二階差分 , 共 39 維 mfcc 和 plp 特征參數 .以音素為聲學建模單元，采用5狀態地連續hmm模型<見圖2),其 中 1、5 狀態只起連接作用 , 沒有觀測概率 , 第 2、3、4 狀態有 gmm 概率分布 , 假設特征參數是相互獨立地 , 所以規定協方差矩陣為對 角陣.圖2五狀態hmn模型結構聲學模型地訓練基于 4007句朗讀式地特定人男聲語料 , 共 2.84 小 時, 結合藏語語言學和語音學地研究成果 , 對拉薩話中全部 50 個音 素進行分類，共劃分了 38個音素類別集，對全部72個聲韻母設計 了 72個類別集,根據其前后語境分別建立決策樹問題集，生

10、成決策 樹,生成三音子模型后逐步增加高斯混合度.選擇50句短句作為測試集，測試集與訓練集為同一發音人，但發音 文本完全獨立，同時,測試集語料與語言模型地訓練語料也完全獨 立,測試集共有885個單音節，其中界外詞voov) 25個,全部為緊縮 音節.當特征參數分別為pip和mfcc時,實驗結果如下 <三音子triphone 模型地狀態數為584):由藏語大詞表連續語音識別地實驗結果來看,plp和mfcc地效果 相差不大.參考文獻1 lawre nee rab in er, bii ng-hwa ng jua ng. fun dame ntalsof speech recog nition m.北京：清華大學出版社.1993:2鄭方,吳文虎,方棣棠.連續無限制語音流中關鍵詞識別地 研究現狀c.第四屆全國人機語音通訊學術會議，北京,1996:3高升,徐波,黃泰翼.基于決策樹地漢語三音子模型j .聲學學報,2000,11(2>:271-2764 julia n james odell. the use of con text in