[发明专利]对噪声相对健全的语音识别系统和方法

说明书

发明领域

本发明一般涉及到语音识别，特别涉及到在噪声环境中的特定说话人识别技术。

发明背景

噪声环境中的语音识别是一个经长期研究仍有待解决的任务。这种任务的特征是以下参数：

1.识别是因人而异的，由用户在一个指定的“训练对话”中讲话的说话语调产生参考模板；

2.希望将训练语调的数量减少到最小数量(1-3)，在现有技术中，这样能使动态时间弯曲(DTW)匹配算法比隐藏马尔可夫模型(HMM)算法更加有效：

3.要识别的短语是单字；

4.训练阶段是相对低噪声的，而识别中需要应付附加的环境噪声；

5.在用户按下讲话(PTT)按钮开始讲话的瞬时之前，环境噪声对于系统是未知的；

6.环境噪声同时具有稳态和非稳态成分；以及

7.系统只有有限的快速存取存储器，不可能以实时和字识别的方式针对所有参考模板运行DTW匹配算法。因而就需要两阶段处理，第一阶段是声音活动检测器(VAD)，而第二阶段是一个DTW匹配器。

在识别阶段由噪声带来的主要困难有两个：

1.训练和识别阶段之间在声学上失配；以及

2.在识别阶段中，VAD估算的字终结点不准确。

这两个问题会导致识别误差。

在现有技术中有许多针对声学失配问题的技术。值得一提的是Jean-ClaudeJunqua和Jean-Paul Haton的Robustness in Automatic SpeechRecognition，Kluwer Academic Publishers，1996。Erell等人的美国专利US5,778,342提供了一种技术。

现有技术很少涉及到终结点不准确的问题。一种解决方案是采取不严格终结点DTW的形式，可参见下文：

Lawrence Rabiner和Biing-Hwang Juang的Fundamentals of SpeechRecognition，Prentice Hall，1993；

Ilan D.Shallom，Raziel Haimi-Cohen和Tal Golan的“Dynamic TimeWarping with Boundaries Constraint Relaxation”，IEEE Conference inIsrael，1989，pagesl-4；以及

Nakadai等人的美国专利US5,732,394。

在普通DTW中，从讲话开始到终结点的频谱参数序列被当作输入语言模式来存储。DTW运算用未知的语言模式与每个参考模板相匹配，并且计算二者之间的距离值。这是用图1A的曲线来执行的，可作为简要的参考。输入语言模式的各帧被放在X轴上，而现行参考模式的各帧被放在Y轴上。通过曲线做一条从左下角起始到右上角终结的路径，将这些角定义为测试和参考语调的终结点。

然而，在参照图1B所示的不严格终结点解决方案中，DTW路径不仅限于起始或终结于测试和参考语调的严格的终结点。而是这一路径可以在这些角的一个给定范围(delta和Qmax_delta)内起始和终结。这种方法真正消除了终结点不准确造成的一些误差。

然而，不严格终结点解决方案存在几个缺点。作为简要参考的图2表示了缺点之一：如果有两个词汇字，且一个字和第二个字的一部分相似(用图中标有“匹配”的一段来表示)，识别系统就可能错误地指示第一(较长)字的语调和第二(较短)字的参考模板匹配。

不严格终结点方法的其他缺点有别于具体的方法。例如，在Shallom的文章中，需要用路径长度对DTW栅格也就是DTW累计得分上的每一点进行规范化，因为这种不严格的起始点允许有多个不同长度的路径。长度规范化会带来标准DTW中不存在的极大的计算量。另外，由于规范化，用于最佳匹配路径的标准DTW解决方案实际上并不是最佳的。例如在美国专利US5,732,394中计算量就很大，因为对每一对测试和参考模式而不只一个都要执行若干次DTW匹配运算。

在以下文章中给出了对不严格终结点问题的其他解决方案：

Tom Claes和Dirk Van Compemolle的“SNR-Normalization for RobustSpeech Recognition”，ICASSP96，1996，pages331-334；