廣播語音的自動(dòng)標(biāo)注系統(tǒng).pdf

1、近年來，隨著計(jì)算機(jī)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(duì)海量級(jí)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(gè)研究熱點(diǎn)，一種基于內(nèi)容的音頻檢索方法對(duì)當(dāng)今的大詞匯量語音識(shí)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?yàn)閺V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(shí)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(shí)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(dòng)來完成。如何自動(dòng)完成語音音頻的文本標(biāo)注是降低語音識(shí)別系統(tǒng)成本的重要方向。
　　 本文研究搭建一個(gè)廣播語音的自動(dòng)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(diǎn)不再是單純的識(shí)別問題，而是如果完成

3、給定的已知文本與音頻的對(duì)齊。提出了一種基于語音識(shí)別和動(dòng)態(tài)規(guī)劃找錨點(diǎn)（可信對(duì)齊區(qū)域）的遞歸對(duì)齊算法，這個(gè)算法可簡單描述為：首先對(duì)連續(xù)音頻進(jìn)行語音識(shí)別得到識(shí)別文本，然后再對(duì)識(shí)別文本與已知文本進(jìn)行文本內(nèi)容的匹配對(duì)齊，通過文本匹配找到可信任的對(duì)齊區(qū)域（稱作“錨點(diǎn)”），利用錨點(diǎn)將音頻和已知文本分成已對(duì)齊部分及未對(duì)齊部分，然后對(duì)未對(duì)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(cuò)、部分音頻質(zhì)量太差等現(xiàn)實(shí)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(duì)齊，為方便之后的人工修訂；第二，采用DTW的動(dòng)態(tài)規(guī)劃算法找對(duì)齊錨點(diǎn)，利用DTW的容錯(cuò)性能降低錯(cuò)誤文本對(duì)整個(gè)標(biāo)注系統(tǒng)的影響；第三，對(duì)于音頻質(zhì)量特別差，以至于找不到對(duì)齊錨點(diǎn)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(shí)別的性能完成對(duì)齊?；趯?duì)音頻與文本對(duì)齊算法的研究，結(jié)合端點(diǎn)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(dòng)標(biāo)注系統(tǒng)的搭建工作，對(duì)廣播語音實(shí)現(xiàn)內(nèi)容簡介層，說話人身份層，說話內(nèi)容層三層信