邵玉斌, 陳 亮, 龍 華, 杜慶治

(昆明理工大學(xué) 信息工程與自動(dòng)化學(xué)院, 昆明 650500)

在監(jiān)聽(tīng)無(wú)線(xiàn)廣播中, 亟待解決的問(wèn)題是如何準(zhǔn)確高效地識(shí)別其他電臺(tái)語(yǔ)種, 從而及時(shí)將實(shí)時(shí)語(yǔ)音轉(zhuǎn)入相應(yīng)的翻譯器進(jìn)行翻譯. 廣播音頻的構(gòu)成復(fù)雜, 包括背景音樂(lè)、 噪聲、 男女說(shuō)話(huà)的不同等干擾因素, 更增加了語(yǔ)種識(shí)別(language identification, LID)的難度. 目前, 通常使用包括神經(jīng)網(wǎng)絡(luò)、 機(jī)器學(xué)習(xí)等方法提取與語(yǔ)種相關(guān)的特征進(jìn)行學(xué)習(xí)建模, 從而提高語(yǔ)種識(shí)別的準(zhǔn)確率.

如何去除不相關(guān)因素的干擾, 從一段語(yǔ)音信號(hào)中提取能描述語(yǔ)種特征的特征參數(shù), 是語(yǔ)種識(shí)別的關(guān)鍵. 傳統(tǒng)特征參數(shù)包括Mel頻率倒譜系數(shù)(Mel-frequency cepstral coefficients, MFCC)[1]、 線(xiàn)性預(yù)測(cè)編碼系數(shù)(linear prediction coefficient, LPC)、 線(xiàn)性預(yù)測(cè)倒譜系數(shù)(linear prediction cepstrum coefficient, LPCC)、 伽馬頻率倒譜系數(shù)(gamma frequency cepstral coefficients, GFCC)[2]等. 目前, 語(yǔ)種識(shí)別方法的研究主要集中在如何提取有效的底層聲學(xué)特征, 輸入到對(duì)應(yīng)的模型或神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練, 得到語(yǔ)種識(shí)別模型. 語(yǔ)種分類(lèi)模型有多種, 其中包括隱Markov模型、 高斯混合模型、 SVM分類(lèi)器、 I-vector[3]等. 較常用的底層聲學(xué)特征是伽馬頻率倒譜系數(shù). GFCC參數(shù)使用Gammatone濾波器代替Mel濾波器, 更好地模擬了人體耳蝸頻率特征, 再經(jīng)過(guò)離散余弦變換, 去除同一幀的不同特征維度之間的相關(guān)性, 從而能更好地對(duì)特征參數(shù)進(jìn)行建模, 達(dá)到較好的識(shí)別效果. Gammatone濾波器[4]在語(yǔ)音信號(hào)處理方面, 包括說(shuō)話(huà)人識(shí)別、 語(yǔ)種識(shí)別、 語(yǔ)音情感識(shí)別[5]等方面應(yīng)用廣泛. 文獻(xiàn)[6]提出了使用Gammatone濾波器濾波提取GFCC參數(shù), 同時(shí)加上差分特征用于語(yǔ)種識(shí)別, 并使用GFCC參數(shù)提取移位差分倒譜(shifted delta cepstra, SDC)特征, 提高了語(yǔ)種識(shí)別的準(zhǔn)確率； 文獻(xiàn)[7]提出了用指數(shù)壓縮代替對(duì)數(shù)壓縮, 更好地模擬人耳的非線(xiàn)性特性, 提高了說(shuō)話(huà)人識(shí)別的效果； 文獻(xiàn)[8]提出了使用融合MFCC和GFCC的特征參數(shù)用于說(shuō)話(huà)人識(shí)別, 再加上一階差分和二階差分, 取得了更好的說(shuō)話(huà)人識(shí)別的識(shí)別準(zhǔn)確率； 文獻(xiàn)[9]提出了在GFCC的基礎(chǔ)上, 加上多窗口估計(jì)、 均值減法、 方差去噪、 自回歸移動(dòng)平均濾波等, 增強(qiáng)了說(shuō)話(huà)人識(shí)別的魯棒性; 文獻(xiàn)[10]提出了一種基于聲道沖激響應(yīng)頻譜參數(shù), 并融合Teager能量算子倒譜參數(shù)的融合特征作為語(yǔ)種識(shí)別方法; 文獻(xiàn)[11]提出了將加權(quán)音素對(duì)數(shù)似然比(weighted phone log-likelihood ratio, WPLLR)應(yīng)用于語(yǔ)種識(shí)別, 有效降低了語(yǔ)種識(shí)別的錯(cuò)誤率. 在基于神經(jīng)網(wǎng)絡(luò)相關(guān)語(yǔ)種識(shí)別算法中, 文獻(xiàn)[12]提出了一種基于Senone的深度神經(jīng)網(wǎng)絡(luò)語(yǔ)種識(shí)別算法; 文獻(xiàn)[13]提出了LID-Senone統(tǒng)計(jì)特征, 比Senone特征能達(dá)到更好的語(yǔ)種識(shí)別效果. 基于深瓶頸特征(deep bottleneck feature, DBF)[14]的語(yǔ)種識(shí)別方法能有效抑制底層聲學(xué)特征中的背景噪聲、 說(shuō)話(huà)人差異、 信道差異等影響, 從而有效提取與語(yǔ)種相關(guān)的特征, 提升識(shí)別效果. 在噪聲環(huán)境下, 可采用語(yǔ)音去噪算法[15]對(duì)語(yǔ)音進(jìn)行去噪后再進(jìn)行語(yǔ)種識(shí)別. 針對(duì)廣播音頻, 傳統(tǒng)算法提取語(yǔ)音語(yǔ)種特征時(shí), 未能去除部分細(xì)節(jié)特征包括男女說(shuō)話(huà)的不同、 電臺(tái)廣播頻道的不同等的影響, 從而可能導(dǎo)致語(yǔ)種識(shí)別成為說(shuō)話(huà)人識(shí)別或其他與語(yǔ)種無(wú)關(guān)的特征識(shí)別.

本文提出一種基于GFCC改進(jìn)特征參數(shù)的語(yǔ)種識(shí)別方法. 首先對(duì)每幀語(yǔ)音進(jìn)行歸一化處理, 去除不同說(shuō)話(huà)人音量大小的影響; 然后對(duì)分幀后的每幀語(yǔ)音信號(hào)進(jìn)行快速Fourier變換(FFT), 先取平方再取對(duì)數(shù), 得到對(duì)數(shù)能量譜. 對(duì)能量譜信號(hào)進(jìn)行離散余弦變換(DCT), 將高維參數(shù)置0再進(jìn)行逆離散余弦變換(IDCT)得到能量譜包絡(luò)信號(hào), 以去除部分與語(yǔ)種無(wú)關(guān)的細(xì)節(jié)特征. 再使用能量譜包絡(luò)信號(hào)代替原來(lái)的能量譜信號(hào)通過(guò)Gammatone濾波器組進(jìn)行濾波. 同時(shí)為提升GFCC參數(shù)的中高階分量, 使其相鄰值之間具有一定區(qū)分性, 在計(jì)算DCT倒譜后進(jìn)行倒譜提升, 得到改進(jìn)的GFCC特征參數(shù). 最后使用隱Markov模型(hidden Markov model, HMM)語(yǔ)種識(shí)別系統(tǒng)進(jìn)行仿真實(shí)驗(yàn), 實(shí)驗(yàn)結(jié)果表明, 在廣播音頻語(yǔ)種識(shí)別中本文的改進(jìn)GFCC特征優(yōu)于傳統(tǒng)GFCC特征及其衍生特征.

1 特征提取

首先對(duì)語(yǔ)音信號(hào)進(jìn)行預(yù)處理, 得到分幀信號(hào), 對(duì)每幀語(yǔ)音信號(hào)提取能量譜包絡(luò), 利用Gammatone濾波器組濾波, 然后進(jìn)行DCT變換, 計(jì)算DCT倒譜信號(hào), 再進(jìn)行倒譜提升, 得到改進(jìn)的GFCC特征參數(shù). 改進(jìn)的GFCC參數(shù)提取流程如圖1所示. 由圖1可見(jiàn), 本文加入了求能量譜包絡(luò)和倒譜提升兩個(gè)模塊. 在進(jìn)行預(yù)處理后, 將語(yǔ)音信號(hào)提取對(duì)數(shù)能量譜包絡(luò)代替原來(lái)的能量譜, 同時(shí)在求得DCT倒譜后進(jìn)行倒譜提升.

圖1 改進(jìn)的GFCC參數(shù)提取流程Fig.1 Improved GFCC parameter extraction process

改進(jìn)的GFCC參數(shù)提取過(guò)程如下：

步驟1) 預(yù)處理. 首先, 對(duì)語(yǔ)音信號(hào)進(jìn)行預(yù)處理, 其中包括歸一化、 預(yù)加重、 分幀、 加窗. 歸一化的作用主要是去除不同語(yǔ)種語(yǔ)音的音量大小對(duì)語(yǔ)種識(shí)別的影響. 歸一化方式采用能量歸一化, 表達(dá)式為

(1)

其中x(n)為輸入的一段語(yǔ)音序列,x1(n)為歸一化后的語(yǔ)音序列.

其次, 對(duì)語(yǔ)音信號(hào)進(jìn)行預(yù)加重.為提升高頻分量, 需對(duì)語(yǔ)音信號(hào)進(jìn)行預(yù)加重, 減小高頻分量的損失, 用公式表示為

y(n)=x1(n)-ax1(n-1),

(2)

其中a通常取0.97,y(n)為預(yù)加重后的語(yǔ)音序列.

設(shè)分幀的幀長(zhǎng)為l, 則幀移取幀長(zhǎng)的1/2.根據(jù)語(yǔ)音的短時(shí)平穩(wěn)特性, 本文語(yǔ)音分幀的幀長(zhǎng)取1 024, 幀移取512.為減小語(yǔ)音信號(hào)每幀的邊緣抖動(dòng)等影響, 需對(duì)信號(hào)進(jìn)行加窗處理.

步驟2) FFT變換. 對(duì)每幀信號(hào)進(jìn)行FFT變換, 從時(shí)域變換到頻域, 得到頻域信號(hào)X(k).

步驟3) 取能量譜包絡(luò).通過(guò)FFT變換的頻域信號(hào)X(k)取絕對(duì)值, 再取對(duì)數(shù)得到對(duì)數(shù)能量譜E(k), 表達(dá)式為

E(k)=20lg|X(k)|.

(3)

圖2 能量譜包絡(luò)提取流程Fig.2 Energy spectrum envelope extraction process

能量譜包絡(luò)提取流程如圖2所示.對(duì)得到的能量譜經(jīng)過(guò)DCT變換, 將大部分信息集中到低維, 再將高維若干維參數(shù)置為0(高維參數(shù)不同維數(shù)置0會(huì)得到不同的識(shí)別效果), 最后經(jīng)過(guò)IDCT變換, 得到能量譜包絡(luò)信號(hào). 語(yǔ)音分幀幀長(zhǎng)為l, 所以得到的能量譜包絡(luò)信號(hào)維數(shù)也是l.將能量譜包絡(luò)后的信號(hào)記為E1(k).

一幀語(yǔ)音信號(hào)對(duì)數(shù)能量譜和能量譜包絡(luò)如圖3所示.由圖3可見(jiàn), 原始能量譜信號(hào)的波動(dòng)起伏較大, 曲線(xiàn)較尖銳.取包絡(luò)后, 去除了一些幅值較大或較小的點(diǎn), 信號(hào)的曲線(xiàn)變得平滑, 且波動(dòng)起伏較小.能量譜包絡(luò)去除了一些細(xì)節(jié)信息, 例如男女說(shuō)話(huà)的不同、 背景噪聲諧波等, 反映了信號(hào)與語(yǔ)種相關(guān)的趨勢(shì).傳統(tǒng)的GFCC參數(shù)提取未提取能量譜包絡(luò), 本文改進(jìn)方法提取能量譜包絡(luò)后再進(jìn)行Gammatone濾波.

步驟4) Gammatone濾波器組濾波. Gammatone濾波器組由M個(gè)中心頻率不同的濾波器組成, 每個(gè)Gammatone濾波器沖激響應(yīng)為

(4)

其中:n為濾波器階數(shù), 一般取4;bi為第i個(gè)濾波器的帶寬;fi為第i個(gè)濾波器的中心頻率;φ為相位.

每幀語(yǔ)音信號(hào)取能量譜包絡(luò)后, 使用Gammatone濾波器組進(jìn)行濾波, 相當(dāng)于對(duì)每幀的包絡(luò)信號(hào)E1(k)與Gammatone濾波器的頻域響應(yīng)Gi(k)相乘并相加, 用公式表示為

(5)

其中i表示第i個(gè)Gammatone濾波器,k表示頻域信號(hào)的第k個(gè)值,N為信號(hào)長(zhǎng)度,Y(i)為經(jīng)過(guò)第i個(gè)濾波器濾波后的信號(hào).

步驟5) DCT倒譜. 對(duì)經(jīng)過(guò)Gammatone濾波器組濾波后的信號(hào)進(jìn)行離散余弦變換, 得到GFCC參數(shù), 表達(dá)式為

(6)

其中m表示第m維GFCC特征參數(shù),i表示第i個(gè)濾波器,M為濾波器的個(gè)數(shù), 也表示進(jìn)行DCT變換后特征參數(shù)的維數(shù). 進(jìn)行DCT變換減小了同一幀信號(hào)中不同維度之間的相關(guān)性. 定義進(jìn)行DCT變換后的參數(shù)為本文改進(jìn)的GFCC算法1.

圖4為從語(yǔ)料中某條語(yǔ)音提取的GFCC參數(shù)樣本, 如取第25幀的GFCC參數(shù), 不取能量譜包絡(luò)與取能量譜包絡(luò)的對(duì)比結(jié)果. 由圖4可見(jiàn), 取譜包絡(luò)的GFCC參數(shù)與未取譜包絡(luò)的GFCC參數(shù)曲線(xiàn)相比, 前幾維無(wú)太大變化, 第5維后的GFCC參數(shù)曲線(xiàn)變平緩了, 在第10維后幅值幾乎接近于零. 說(shuō)明取包絡(luò)后去掉了細(xì)節(jié)信息, 僅保留了與語(yǔ)種相關(guān)的信息.

圖3 一幀信號(hào)的原始能量譜和能量譜包絡(luò)Fig.3 Original energy spectrum and energy spectrum envelope of a frame signal

圖4 一幀GFCC參數(shù)不取包絡(luò)與取包絡(luò)的對(duì)比Fig.4 Comparison of GFCC parameters of a frame without envelope and envelope

步驟6) 倒譜提升. 對(duì)GFCC參數(shù)進(jìn)行倒譜提升, 由于進(jìn)行DCT變換求倒譜后, 低階GFCC參數(shù)值較大, 因此采用倒譜提升以降低低階GFCC參數(shù)值, 提升中高階參數(shù)值, 使中高階GFCC參數(shù)相鄰值之間具有一定的區(qū)分性.

常用的倒譜提升函數(shù)為半升正弦函數(shù), 表示為

w1(m)=0.5+0.5sin(πm/M),m=1,2,…,M.

(7)

本文采用倒譜提升函數(shù)

(8)

圖5 兩個(gè)倒譜提升函數(shù)對(duì)比曲線(xiàn)Fig.5 Comparison curves of two cepstrum lifting functions

對(duì)倒譜提升函數(shù)進(jìn)行了歸一化. 其中ξ為一個(gè)可變系數(shù), 當(dāng)ξ=1時(shí)等同于式(7).經(jīng)過(guò)實(shí)驗(yàn), 本文取ξ=6時(shí), 效果最好.式(7)倒譜提升函數(shù)和式(8)中ξ=6時(shí)的倒譜提升函數(shù)0～20內(nèi)的曲線(xiàn)如圖5所示.由圖5可見(jiàn), 與式(7)相比, 本文的倒譜提升函數(shù)兩端較低, 中間較高, 進(jìn)行倒譜提升后更降低了GFCC參數(shù)低階分量值, 提升了中高階分量值. 倒譜提升函數(shù)與經(jīng)過(guò)DCT變換后的信號(hào)相乘, 得到倒譜提升后的信號(hào)gfccen(m), 用公式表示為

gfccen(m)=gfcc(m)m×w2(m).

(9)

定義進(jìn)行倒譜提升后的參數(shù)為本文改進(jìn)的GFCC算法2.

2 語(yǔ)種識(shí)別

本文使用HMM作為語(yǔ)種識(shí)別的訓(xùn)練和識(shí)別模型. HMM模型作為一種常用的對(duì)語(yǔ)音信號(hào)進(jìn)行建模的統(tǒng)計(jì)模型, 在語(yǔ)音信號(hào)處理領(lǐng)域, 包括語(yǔ)音分離、 語(yǔ)音增強(qiáng)、 說(shuō)話(huà)人識(shí)別、 語(yǔ)種識(shí)別等方面都已得到廣泛應(yīng)用. 使用HMM模型對(duì)語(yǔ)音數(shù)據(jù)提取的特征參數(shù)進(jìn)行建模, 保留了語(yǔ)音數(shù)據(jù)特征之間的前后關(guān)聯(lián)性, 能更好地?cái)M合同一語(yǔ)種的語(yǔ)音數(shù)據(jù), 形成一個(gè)能區(qū)別于其他語(yǔ)種的模型. 對(duì)不同語(yǔ)種的語(yǔ)音數(shù)據(jù)特征參數(shù)進(jìn)行訓(xùn)練建模, 分別擬合出與當(dāng)前語(yǔ)種特征相類(lèi)似的模型. 識(shí)別時(shí), 將語(yǔ)音特征參數(shù)視為觀測(cè)字符序列與模型進(jìn)行匹配, 得到與觀測(cè)字符序列對(duì)應(yīng)的最佳狀態(tài)序列, 從而達(dá)到語(yǔ)種識(shí)別的目的.

(10)

πi=P{S1=si},i=1,2,…,N,

(11)

本文的語(yǔ)種訓(xùn)練和識(shí)別流程如圖6所示.首先, 對(duì)HMM模型進(jìn)行初始化, 然后對(duì)訓(xùn)練集的不同語(yǔ)種語(yǔ)料提取改進(jìn)的GFCC特征參數(shù), 放入模型中進(jìn)行訓(xùn)練. 通過(guò)Baum-Welch算法進(jìn)行循環(huán)迭代, 重估3組模型參數(shù){A,π,B}, 得到不同語(yǔ)種對(duì)應(yīng)的識(shí)別模型. 其次, 對(duì)測(cè)試集提取改進(jìn)的GFCC特征參數(shù), 使用Viterbi算法, 將每條語(yǔ)音提取的特征參數(shù)與不同的語(yǔ)種識(shí)別模型進(jìn)行匹配, 尋找匹配概率最大的狀態(tài)序列, 即為識(shí)別得到的語(yǔ)種.

圖6 語(yǔ)種訓(xùn)練和識(shí)別流程Fig.6 Flow chart of language training and identification

3 實(shí)驗(yàn)仿真及分析

3.1 實(shí)驗(yàn)語(yǔ)料

本文實(shí)驗(yàn)語(yǔ)料來(lái)自中國(guó)國(guó)際廣播電臺(tái), 主要包括老撾語(yǔ)、 柬埔寨語(yǔ)、 緬甸語(yǔ)、 藏語(yǔ)、 維吾爾語(yǔ)、 越南語(yǔ)6種語(yǔ)言. 每個(gè)語(yǔ)種語(yǔ)料采自多個(gè)頻道不同時(shí)間段的、 不同說(shuō)話(huà)人的廣播音頻. 6種語(yǔ)種的語(yǔ)音數(shù)據(jù)采集好后通過(guò)人工剪輯的方式, 去掉較長(zhǎng)的靜音段、 音樂(lè)段以及背景音樂(lè)較強(qiáng)的語(yǔ)音段. 再通過(guò)音頻轉(zhuǎn)換軟件轉(zhuǎn)為單聲道數(shù)據(jù), 采樣頻率為16 kHz, 采樣深度16位. 每個(gè)語(yǔ)種的廣播音頻中都含有一定的背景音樂(lè), 且包括電臺(tái)主持人說(shuō)話(huà)語(yǔ)音、 本地人說(shuō)話(huà)語(yǔ)音及采訪語(yǔ)音等. 每個(gè)語(yǔ)種的語(yǔ)音都包含多個(gè)說(shuō)話(huà)人, 包括男女混合, 每個(gè)語(yǔ)種的語(yǔ)料都被剪切成3 s的固定長(zhǎng)度語(yǔ)音, 每條語(yǔ)音之間重疊1 s. 實(shí)驗(yàn)語(yǔ)料中, 每個(gè)語(yǔ)種訓(xùn)練集由3個(gè)頻道的不同時(shí)間段采集的廣播音頻組成, 包含2 500條語(yǔ)音, 從中隨機(jī)抽取2 000條語(yǔ)音進(jìn)行訓(xùn)練. 測(cè)試集由不同于訓(xùn)練集的另外兩個(gè)頻道的不同時(shí)間段采集的廣播音頻組成, 包含500條語(yǔ)音.

3.2 實(shí)驗(yàn)設(shè)計(jì)

本文實(shí)驗(yàn)采用MATLAB2019a作為測(cè)試平臺(tái), 測(cè)試本文提出的改進(jìn)GFCC算法1與算法2的有效性.

實(shí)驗(yàn)1測(cè)試本文改進(jìn)的GFCC算法2在提取能量譜包絡(luò)時(shí), 對(duì)DCT變換后的1 024個(gè)參數(shù)64維、 128維、 192維后的值置為0的識(shí)別結(jié)果, 各特征命名及說(shuō)明列于表1. 本文Gammatone濾波器個(gè)數(shù)取20個(gè).

表1 各特征命名及說(shuō)明

實(shí)驗(yàn)2提取本文改進(jìn)的GFCC算法2的特征參數(shù)分別與傳統(tǒng)的GFCC特征參數(shù)、 GFCC加上一階差分和二階差分(GFCC-Delta-Acceleration, GFCC-D-A)特征參數(shù)以及本文改進(jìn)的GFCC算法1特征參數(shù)進(jìn)行對(duì)比, 測(cè)試識(shí)別效果.

對(duì)語(yǔ)音信號(hào)提取特征參數(shù), 使用HMM模型進(jìn)行訓(xùn)練識(shí)別. 初始HMM模型的狀態(tài)數(shù)和每個(gè)狀態(tài)對(duì)應(yīng)的混合模型成分?jǐn)?shù)均設(shè)置為10, HMM模型訓(xùn)練時(shí)循環(huán)迭代20次.

3.3 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)1對(duì)每幀語(yǔ)音信號(hào)提取能量譜包絡(luò)時(shí)對(duì)不同維度參數(shù)置0的改進(jìn)的GFCC算法2特征參數(shù), 使用HMM模型進(jìn)行訓(xùn)練, 通過(guò)循環(huán)迭代, 得到每個(gè)語(yǔ)種對(duì)應(yīng)的特征模型. 對(duì)測(cè)試語(yǔ)種語(yǔ)料提取同樣的特征參數(shù), 計(jì)算與語(yǔ)種模型對(duì)應(yīng)的最佳狀態(tài)序列, 得到語(yǔ)種識(shí)別結(jié)果. 采用每個(gè)語(yǔ)種語(yǔ)音識(shí)別正確的個(gè)數(shù)除以每個(gè)語(yǔ)種語(yǔ)音總個(gè)數(shù)得到的準(zhǔn)確率作為評(píng)價(jià)指標(biāo).

取能量譜包絡(luò)時(shí), 對(duì)DCT變換后的高維參數(shù)不同維度參數(shù)置0, 會(huì)有不同的識(shí)別效果. 幀長(zhǎng)為1 024, 所以得到的能量譜包絡(luò)信號(hào)維數(shù)也是1 024. 測(cè)試本文改進(jìn)的GFCC算法2在提取能量譜包絡(luò)時(shí), 對(duì)DCT變換后的1 024個(gè)參數(shù)64維、 128維、 192維后的值置為0的識(shí)別結(jié)果. 識(shí)別結(jié)果列于表2.

表2 能量譜包絡(luò)不同維數(shù)置0語(yǔ)種識(shí)別準(zhǔn)確率

由表2可見(jiàn), 對(duì)192維后的參數(shù)置0識(shí)別效果最好, 達(dá)到86.4%, 對(duì)128維后的參數(shù)置0識(shí)別效果次之, 對(duì)64維后的參數(shù)置0識(shí)別效果最低, 但相對(duì)于最好效果, 平均識(shí)別準(zhǔn)確率只降低了1.4%. 原始能量譜及不同維數(shù)置0能量譜包絡(luò)如圖7所示. 由圖7可見(jiàn), 取能量譜包絡(luò)時(shí)對(duì)DCT變換后不同維數(shù)置0的包絡(luò)圖不同, 丟失的信息量也不同, 對(duì)64維后的參數(shù)置0丟失的信息量最多, 對(duì)192維后的參數(shù)置0丟失的信息量最少, 但相對(duì)于原始能量譜, 取包絡(luò)都去掉了很大一部分細(xì)節(jié)信息, 反映了能量譜的大致走勢(shì). 相對(duì)于192維后參數(shù)置0的能量譜包絡(luò), 64維后參數(shù)置0的能量譜包絡(luò)信息去掉過(guò)多, 可能將部分用于區(qū)分語(yǔ)種的信息丟失了, 從而降低了準(zhǔn)確率.

圖7 原始能量譜及不同維數(shù)置0能量譜包絡(luò)Fig.7 Original energy spectrum and energy spectrum envelope with different dimensions set to 0

由實(shí)驗(yàn)1可知, 在取語(yǔ)音信號(hào)能量譜包絡(luò)時(shí)對(duì)DCT變換后的參數(shù)192維后的參數(shù)置0效果最好, 所以實(shí)驗(yàn)2的能量譜包絡(luò)均對(duì)192維后的參數(shù)置0.

實(shí)驗(yàn)2對(duì)每個(gè)語(yǔ)種的每幀語(yǔ)音信號(hào)提取文獻(xiàn)[7]中的GFCC特征參數(shù)、 文獻(xiàn)[6]中的GFCC-D-A特征參數(shù)以及本文改進(jìn)的GFCC算法1特征參數(shù)、 改進(jìn)GFCC算法2特征參數(shù), 使用HMM模型進(jìn)行訓(xùn)練識(shí)別. 識(shí)別結(jié)果列于表3.

表3 廣播音頻語(yǔ)種識(shí)別準(zhǔn)確率

由表3可見(jiàn), 本文改進(jìn)的GFCC算法2對(duì)每個(gè)語(yǔ)種的識(shí)別準(zhǔn)確率均較好, 平均識(shí)別準(zhǔn)確率最高, 相比GFCC參數(shù), 平均識(shí)別準(zhǔn)確率提升了6%. 加上一階差分和二階差分的GFCC-D-A參數(shù)平均識(shí)別準(zhǔn)確率比GFCC的識(shí)別準(zhǔn)確率高1%, 比改進(jìn)的GFCC算法2低5%. 本文改進(jìn)的GFCC算法1相比于GFCC參數(shù)平均識(shí)別準(zhǔn)確率提升了3.5%, 比本文改進(jìn)的GFCC算法2低2.5%. 說(shuō)明本文的倒譜提升方法也提升了語(yǔ)種識(shí)別的準(zhǔn)確率. 因此, 本文改進(jìn)的GFCC算法2相比傳統(tǒng)的GFCC參數(shù)識(shí)別準(zhǔn)確率有提升, 說(shuō)明本文的改進(jìn)算法有效.

綜上所述, 本文在傳統(tǒng)GFCC特征參數(shù)的基礎(chǔ)上對(duì)GFCC參數(shù)提取過(guò)程進(jìn)行了改進(jìn). 首先對(duì)語(yǔ)音信號(hào)進(jìn)行歸一化, 減小了不同說(shuō)話(huà)人音量大小的影響. 然后對(duì)每幀語(yǔ)音信號(hào)進(jìn)行FFT后, 取能量譜包絡(luò), 去掉細(xì)節(jié)特征, 通過(guò)Gammatone濾波器濾波后進(jìn)行DCT變換得到改進(jìn)的GFCC算法1特征參數(shù), 再進(jìn)行升正弦倒譜提升, 提升了GFCC參數(shù)的中高階分量, 得到改進(jìn)的GFCC算法2特征參數(shù). 仿真實(shí)驗(yàn)結(jié)果表明, 本文改進(jìn)GFCC算法1的特征參數(shù)相比于GFCC參數(shù)及加一階差分和二階差分的GFCC-D-A參數(shù)可達(dá)到更好的識(shí)別效果, 進(jìn)行倒譜提升后的改進(jìn)GFCC算法2的特征參數(shù)對(duì)識(shí)別準(zhǔn)確率有進(jìn)一步提升. 本文改進(jìn)的GFCC算法2特征參數(shù)對(duì)6個(gè)語(yǔ)種可達(dá)86.4%的識(shí)別準(zhǔn)確率, 識(shí)別效果最好, 說(shuō)明本文改進(jìn)的GFCC特征參數(shù)有效.