[发明专利]语音检索设备和语音检索方法

说明书

技术领域

本发明涉及一种语音检索设备和语音检索方法，更具体地说，涉及一种基于综合语音搜索(Holo-Speech Search，HSS)的语音检索设备和语音检索方法，用来在同时获得高准确率和高召回率的情况下从语音库中检索与输入的查询词匹配的语音文件。

背景技术

近年来，随着音频应用的进一步普及，计算机、网络和日常生活中到处都能够接触到音频文件，诸如广播、电视、播客、音频教学和语音信箱等。随着语音信息量的增大，用户找到和定位想要的音频就变得越来越困难。

在现有的文本检索中，对原始数据建立索引(index)以快速定位查询词所在的位置。目前主流的方法是以词为单位构造倒排文档表，每个文档都由一串词组成，而用户输入的查询条件通常是若干关键词，因此如果预先记录这些词出现的位置，那么只要在索引文件中找到这些词，也就找到了包含它们的文档。

在现有的语音检索系统中，利用语音识别结果和相应的格信息进行语音检索，或者仅仅利用格信息进行语音检索，有些现有的语音检索系统结合利用文本检索方法来提高检索速度，然而，这样的系统通常只能处理文本查询词。格(lattice)信息的意义在于，在语音检索领域中，通常情况下语音识别只能得到一个最好的想要的结果，如果运用格信息，就能够在一定的置信范围内得到多个可能的语音识别结果，这样就有更多的选择，当检索时，就可以在更多的选择中检索，在一定程度上也就缓解了识别错误、OOV(Out Of Vocabulary)等问题。

其中，OOV表示超出词典范围。在语音识别中会用到声学模型和语言模型，它们都是通过人工标注的真实语料训练得到的数学模型，如果在训练语料中某个发音或者用词根本就没有出现过，那么在语音识别的时候，它是不可能被识别出来的，这样就造成了OOV问题。常见的OOV问题主要集中在地名、人名等词汇。

语音文件的一些特征可以考虑用于语音检索，包括音素码、次文字单元、和语音识别结果。通常，音素码、次文字单元、和语音识别结果在识别过程中都能够得到格信息。

音素码是音素语音中最小的单位，是从音色的角度划分出来的最小的语音单位。在语音学与音韵学中，音素一词所指的是说话时所发出的声音。音素是具体存在的物理现象。国际音标的音标符号与全人类语言的音素具有一一对应关系，是有意义的文本集合。与采用下述的次文字单元进行语音检索的手段相比，采用音素码进行语音检索的手段能够有效地缓解了OOV问题和训练集不充分、及识别错误问题，但是会给检索结果带来一定噪声。

次文字单元是有统计意义的音素码的排列组合，符合人类有规律的发音习惯，是有意义的文本集合。采用次文字单元进行语音检索的手段一定程度上缓解了OOV问题和训练集不充分，在识别错误方面优于采用下述语音识别结果进行语音检索的手段，但是劣于采用音素码进行语音检索的手段。采用此特征可以缓解噪声，准确率比采用音素码高，但不如采用下述的语音识别结果。

语音识别结果是语音文件具有实际语言意义的文字结果，是可读的信息。采用语音识别结果进行语音检索的手段会造成OOV、非母语和训练集不充分、识别错误等问题。单独使用此特征往往对于以上问题无能为力。在没有出现OOV、非母语和训练集不充分、识别错误等常见问题的情况下，检索准确率高。然而，如果出现上述问题，则没有检索结果或者出现检索错误。

下面解释语音检索领域中一些概念。

准确率(Precision)和召回率(Recall)，召回率体现系统找全答案的能力，而准确率考察系统找准答案的能力，两者相辅相成，从两个不同侧面较为全面地反映了系统性能。

排序(Rank)，检索系统可以只按照与查询词之间的逻辑关系返回相应的文件，在需要进一步表达结果与查询之间的深层关系的情况下，为了把最符合用户需求的结果显示在前面，还需要利用各种信息对结果进行排序。目前有两大主流技术用于分析结果和查询的相关性以用于排序：链接分析和基于内容的计算。

语音分割，把语音文件分割成可以索引的片段。