基于語(yǔ)音數(shù)據(jù)異質(zhì)性信息處理的聲學(xué)建模研究.pdf

1、摘要摘要語(yǔ)音信號(hào)中包含豐富的信息，除文本內(nèi)容外還包括很多與語(yǔ)音識(shí)別任務(wù)無(wú)關(guān)的部分。這些信息的典型來(lái)源包括說(shuō)話人性別、年齡、情緒、說(shuō)話風(fēng)格、背景噪聲、傳輸信道等因素，在本文中被統(tǒng)一定義為異質(zhì)性信息。對(duì)語(yǔ)音數(shù)據(jù)異質(zhì)性信息的處理正日趨成為當(dāng)前語(yǔ)音識(shí)別界研究的重點(diǎn)之一，其原因有二首先，異質(zhì)性因素的存在將會(huì)導(dǎo)致聲學(xué)模型參數(shù)的非線性畸變，從而造成誤識(shí)率的升高和模型推廣能力的下降其次，隨著語(yǔ)音識(shí)別技術(shù)的發(fā)展，越來(lái)越多的異質(zhì)性相對(duì)明顯的現(xiàn)場(chǎng)數(shù)據(jù)參與到了

2、聲學(xué)模型的訓(xùn)練過(guò)程中。因此無(wú)論從研究的必要性還是從緊迫性方面來(lái)看，數(shù)據(jù)異質(zhì)性信息的處理問(wèn)題都?jí)櫞鉀Q。認(rèn)識(shí)問(wèn)題的過(guò)程是分析和綜合的統(tǒng)一。作為全文立論的基礎(chǔ)之一，本文對(duì)當(dāng)前主流語(yǔ)音識(shí)別系統(tǒng)的框架結(jié)構(gòu)和作為本文主要研究對(duì)象的聲學(xué)模型的訓(xùn)練準(zhǔn)則進(jìn)行了全面綜述，一方面界定本文的研究目的和意義，另一方面指出區(qū)分度訓(xùn)練對(duì)于解決語(yǔ)音數(shù)據(jù)異質(zhì)性問(wèn)題大有裨益。作為全文立論的基礎(chǔ)之二，我們多方面分析了異質(zhì)性信息對(duì)語(yǔ)音數(shù)據(jù)分類和建?？赡茉斐傻挠绊?。在這些基礎(chǔ)

3、之上，本文對(duì)目前可行的解決方法做了全面的總結(jié)，并依據(jù)算法的實(shí)質(zhì)將它們分為多套模型分而治之、消除、描述和利用四大類。分析的目的是為了綜合，并提出解決方案。為此我們分別進(jìn)一步研究了多套模型分而治之、消除、描述幾種策略，并遵循“在變化中尋找相對(duì)不變性，并為之建?！钡闹笇?dǎo)思想，提出了一種協(xié)同消除和描述策略的解決方案。本文針對(duì)語(yǔ)音數(shù)據(jù)中蘊(yùn)含的異質(zhì)性信息問(wèn)題進(jìn)行了深入的研究，涉及到了許多語(yǔ)音識(shí)別的基本問(wèn)題，主要的工作和貢獻(xiàn)有:.提出了一種基于非語(yǔ)境

4、因素?cái)U(kuò)展決策樹(shù)技術(shù)和輸出分布援蓋度測(cè)度的分析方法，這種方法不但可以定性反映異質(zhì)性因素對(duì)于語(yǔ)音數(shù)據(jù)分類和建?？赡茉斐傻挠绊懀以谝欢ǔ潭壬线M(jìn)行定量描述提出了一種基于最大似然增益的模型組合算法，該算法一方面可以避免由于數(shù)據(jù)分類建模而可能帶來(lái)的訓(xùn)練數(shù)據(jù)稀疏問(wèn)題，同時(shí)包含一套靈活的模型組合和選擇機(jī)制:.發(fā)展了一種推廣的特征空間說(shuō)話人自適應(yīng)訓(xùn)練算法，將說(shuō)話人自適應(yīng)訓(xùn)練對(duì)于數(shù)據(jù)異質(zhì)性的消除能力推廣到了聲學(xué)模型的參數(shù)共享機(jī)制中，從而進(jìn)一步提高了模型

5、的推廣能力.將因素分析方差建模技術(shù)應(yīng)用到說(shuō)話人識(shí)別系統(tǒng)中，并研究了在訓(xùn)練數(shù)據(jù)嚴(yán)重稀疏條件下的多種模型參數(shù)共享技術(shù)，顯著提高了說(shuō)話人識(shí)別系統(tǒng)的性能。借助因素分析，本文還研究了MFCC各維特征對(duì)說(shuō)話人識(shí)別任務(wù)的貢獻(xiàn)如頁(yè)英文摘要OnProcessingOfExtraneousAcousticVariationsandAcousticModelinginSpeechRecognitionAuthor:DINGPengSupervisor:XUB

6、oAbstractTherearemanykindsofunwantedvariabilitiesotherthanphoneticvariationscontainedinspeechsignalswhichmightcausedbydiferentspeakersspeakingstyleschanneloracousticenvironments.Sincethosevariationsexistedinthedataarenot

7、directlyrelatedtothemodelingpurposeinthispapertheyarenamedasextraneousacousticvariationsThehighnecessitiestodealwiththeextraneousacousticvariationsaretwofolds.Foronethinginthetrainingphasetheestimatedmodelmaybedivergedsu

8、bstantially飾alsomodelingextraneousvariations.Forthesecondthinginrecentyearstherehasbeenatrendtowardsusingfoundtrainingdatainwhichgreatervariabilitycanbeseenthanthespeciallycollecteddatatobuildspeechrecognitionsystems.Tos

9、olvetheprobleminthisthesiswefirstpresentedacomprehensiveanalysisontheefectsofextraneousacousticvariationsmayimposeontheclassificationandmodelingofspeechdata.Thenwebrieflyreviewandcategorizethepossiblesolutionsintodividea

10、ndconquerremovalmodelingandutilizationfourbroadclasses.Afterhavingtakenthedivideandconquerremovalmodelingstrategiesintofurtherstudiesweproposeasynergywhichcombinesfeaturespacespeakeradaptivetrainingandsemitiedcovariancem

11、odeltodealwiththeproblem.Inthisthesiswepresentedacomprehensivestudyontheprocessingofextraneousacousticvariations.Theefortsarefollowings:.Weproposeasimplebutwhatextenttheimpactconvenientanalysisschemetoexplicitlyshowtoofo

12、fofvarioussourcesspeechdata飾theextraneousvariationsimposedontheclassificationandmodelinggeneralfeaturesdecisiontree(GFDT)andOutputcoveragemeasure.AnewframeworkbasedonGFDTnamedasmaximumlikelihoodmodelcombinationisintroduc

13、ed.Byusingthisframeworkthetrainingdatasparseproblembroughtbytrainingdatasplittingcommonlyemployedinthedivideandconquerstrategycanbealeviatedandaflexiblemodelselectionprocedureisadvanced.Weextendsthefeaturespacespeakerada