廣播語音的自動標(biāo)注系統(tǒng).pdf

1、近年來，隨著計算機技術(shù)、網(wǎng)絡(luò)技術(shù)和通訊技術(shù)的快速發(fā)展，人們可方便快捷地獲得圖像、視頻、音頻等多媒體文件，全球多媒體數(shù)據(jù)出現(xiàn)爆炸式的增長，其中音頻信息占有十分重要的地位。如何對海量級的多媒體資源進(jìn)行有效的索引和信息檢索成為當(dāng)前一個研究熱點，一種基于內(nèi)容的音頻檢索方法對當(dāng)今的大詞匯量語音識別系統(tǒng)提出了更高的要求。在眾多多媒體數(shù)據(jù)中，廣播新聞是被大多數(shù)的多媒體研究課題重視的代表性音頻數(shù)據(jù)，因為廣播語音包含靜音，音樂，說話人語音和噪音背景等音頻

2、要素。要提高廣播語音識別的性能以及魯棒性，需要大規(guī)模精確標(biāo)注的語料庫。眾所周知，為大規(guī)模語音語料庫添加標(biāo)注需要大量人力、物力，而由于廣播語音識別的性能還不夠高，現(xiàn)階段的標(biāo)注工作還只能通過人工手動來完成。如何自動完成語音音頻的文本標(biāo)注是降低語音識別系統(tǒng)成本的重要方向。
　　 本文研究搭建一個廣播語音的自動標(biāo)注系統(tǒng)。由于多數(shù)情況下，廣播語音的音頻文件和其相應(yīng)的文本可在互聯(lián)網(wǎng)找到，所以，本文的研究重點不再是單純的識別問題，而是如果完成

3、給定的已知文本與音頻的對齊。提出了一種基于語音識別和動態(tài)規(guī)劃找錨點（可信對齊區(qū)域）的遞歸對齊算法，這個算法可簡單描述為：首先對連續(xù)音頻進(jìn)行語音識別得到識別文本，然后再對識別文本與已知文本進(jìn)行文本內(nèi)容的匹配對齊，通過文本匹配找到可信任的對齊區(qū)域（稱作“錨點”），利用錨點將音頻和已知文本分成已對齊部分及未對齊部分，然后對未對齊部分重復(fù)上述遞歸過程。本文中，根據(jù)標(biāo)注語料的目的、已知文本可能含錯、部分音頻質(zhì)量太差等現(xiàn)實因素提出三大改進(jìn)：第一，以

4、句子為單位完成音頻與文本的對齊，為方便之后的人工修訂；第二，采用DTW的動態(tài)規(guī)劃算法找對齊錨點，利用DTW的容錯性能降低錯誤文本對整個標(biāo)注系統(tǒng)的影響；第三，對于音頻質(zhì)量特別差，以至于找不到對齊錨點的部分，本文采用聲學(xué)模型自適應(yīng)的算法來提高語音識別的性能完成對齊?；趯σ纛l與文本對齊算法的研究，結(jié)合端點檢測、語音檢測以及說話人分割等音頻分割技術(shù)，完成廣播語音的自動標(biāo)注系統(tǒng)的搭建工作，對廣播語音實現(xiàn)內(nèi)容簡介層，說話人身份層，說話內(nèi)容層三層信