基于HMM的漢語語音關鍵詞檢測研究與實現(xiàn).pdf

1、語音是人類相互通信和交流的最方便快捷的手段，讓機器能夠聽懂人類語言或按照人類意志進行相關操作是人們長期以來夢寐以求的目標。關鍵詞檢測是自動語音識別的一個特殊分支，其主要任務是從連續(xù)的語音中檢測出具體應用所需要的少量特定詞匯。相對于連續(xù)語音識別，關鍵詞檢測技術具有資源耗費少、識別率高和實用性強的優(yōu)點，因此有著廣泛的應用前景。隱馬爾可夫模型(HMM)是各類語義識別系統(tǒng)的主流模型，它是完成準平穩(wěn)時變信號分析和識別的有利工具，能夠很好地描述語音

2、特征的動態(tài)變化和統(tǒng)計分布。本文在系統(tǒng)分析關鍵詞檢測系統(tǒng)基本框架、HMM原理、語音特征參數(shù)提取及分形維算法的基礎上，針對現(xiàn)有關鍵詞檢測系統(tǒng)在訓練樣本、填料模板、檢測效率、檢測時間方面存在的問題，重點研究設計了基于HMM的漢語語音關鍵詞檢測系統(tǒng)，并在填料模板創(chuàng)建、狀態(tài)搜索算法和檢測確認策略等方面做了諸多改進。論文主要研究內(nèi)容如下： (1)研究了HMM模型的建模過程，詳細分析了前向—后向算法、Viterbi最佳路徑搜索算法、基于Bau

3、m—Welch的多觀察序列輸出高斯混合模型的參數(shù)重估算法，以及與之相應的概率輸出、最佳狀態(tài)解碼和模型參數(shù)估計等問題，為在語音識別中應用HMM打下了基礎。 (2)提出了基于動態(tài)幀長的語音信號分析方法；在語音信號特征提取時，先估計當前語音單位的持續(xù)時間，再根據(jù)持續(xù)時間動態(tài)確定窗長，進行分幀，該方案緩解了因為訓練樣本質(zhì)量和數(shù)量問題引起的關鍵詞檢測系統(tǒng)的性能惡化，提高了匹配模板的穩(wěn)定性，并應用到檢測過程中，實現(xiàn)了語速自適應。 (

4、3)論證了語音分形維原理，并根據(jù)分形維實現(xiàn)了音節(jié)實時分割；在此基礎上實現(xiàn)了關鍵詞訓練系統(tǒng)的樣本自動標注和檢測系統(tǒng)的兩步式狀態(tài)解碼算法。 (4)對填料模型的結(jié)構(gòu)和類型進行了研究，吸取韻母聚類模型和音節(jié)格模型的優(yōu)點，提出了基于音節(jié)聚類的填料模型，節(jié)省了系統(tǒng)的檢測時間，提高系統(tǒng)的檢測率。 (5)構(gòu)建了關鍵詞首音節(jié)模型和關鍵詞確認模型，先用填料模型和關鍵詞首音節(jié)模型與輸入語音片斷進行匹配，如果最佳匹配結(jié)果落入某類關鍵詞首音節(jié)域，