[发明专利]一种基于发音模型的语音质量评测方法

说明书

技术领域

本发明属于发音质量评估技术领域，具体地说，本发明涉及一种基于发音模型的语音质量评测方法。

背景技术

在自然条件下使用发音质量评估系统，不同于在理想实验环境下的使用，这时发音质量评估系统的性能会有很大的降低。而且对于真实的口语，在语音中会参杂很多非语音，譬如非正常停顿、咳嗽声以及很多的环境噪声，这都给发音质量评估系统达到原有的评估精度造成了困难。另外，用户说的词汇如果不在发音质量评估系统预先设定的领域范围内或者用户的发音带有一定的方言特色，也较容易造成评估误差。总之，对于商业化的发音质量评估系统，用户的期望是尽可能的准确评估发音质量，与此同时还要求比较快的评估速度。因此，目前各种语音质量评测方法都是围绕这两点来展开的。

语音质量评测方法可以对连续语音进行音素段的切分，然后在特定音素段内对目标发音进行假设检验，通过预先训练的阈值对待评估发音段的准确性进行评价，从而判断出用户的发音水平。

目前，采用声学模型和语音识别的框架进行音素切分和置信度计算来进行语音质量评测是一种应用较广的做法。例如，图1为一种现有的语音质量评测方法的示意图。如图1所示，输入语音首先利用声学模型对目标词序列作强制对齐。在这个过程中，可以获得对应于输入语音的音素分割点以及状态分割点。然后，计算出目标文本在待评估语音下的音素后验概率作为置信度，最后通过分数预测器获得机器自动评估的发音质量分数。在现有方法中，解码和置信度计算均使用了声学模型。声学模型是对标准发音声学空间中各个音素单元的建模，因此它没有对不同的发音质量进行描述，所以当遇到发音水平比较差的用户时，采用声学模型不能获得较为准确的音素分割点和音素后验概率值，从而很不利于发音质量评估系统的在线使用和实际推广。

发明内容

本发明的目的在于克服现有技术的不足，在未明显增加计算量的情况下，以提高系统稳健性为主要目标，提出一种基于发音模型的语音质量评测方法。该方法充分利用发音质量评估和语音识别的差别，对不同的发音质量等级进行区分性建模，构建出一个比声学空间更为广阔的发音空间，从而在解码时获得更准确的音素分割点，在置信度计算时获得更精确的音素后验概率，从而提高评估性能。

为实现上述发明目的，本发明提供的基于发音模型的语音质量评测方法，该方法包括发音模型的构建步骤和语音质量评测步骤；

其中发音模型构建步骤包括下列子步骤：

1.1)确定发音质量音素集；

1.2)对训练数据划分发音质量等级；

1.3)依据发音质量等级训练发音模型；

语音质量评测步骤包括下列子步骤：

2.1)提取待评测发音段的语音特征；

2.2)构建基于所述发音模型的解码网络，进行Viterbi解码；

2.3)对每个音素计算基于发音模型的置信度；

2.4)根据所述置信度得出所述待评测发音段的发音质量。

所述步骤1.1)中对每个音素分为三个不同的发音质量等级。

所述步骤1.2)中训练数据的发音质量等级划分包括如下步骤：准备训练数据的原始语音和音素标注文本；采用Viterbi解码算法，将原始语音和音素标注进行强制对齐，计算每个音素的后验概率；按照音素后验概率值的大小划分发音质量等级。

所述步骤1.3)中，所述发音模型采用传统隐马尔可夫模型的框架构建。

所述步骤2.2)中搭建基于发音模型的解码网络包括如下步骤：利用发音字典将目标文本转换成音素串序列；对每个音素将其各个发音质量并联；将音素串序列转换成各个音素质量并联子网络的串联宏网络即获得基于发音模型的解码网络。

所述步骤2.3)中对每个音素计算基于发音模型的置信度包括如下步骤：利用步骤2.2)中Viterbi解码获得的音素分割点信息，在指定音素段间搭建音素混淆网络；在音素混淆网络的每条路径上利用Viterbi算法获得声学似然值；计算音素后验概率作为发音质量评价的依据，取目标音素最优质量对应的路径上的声学似然值作为所述音素后验概率的分子，混淆网络的所有路径上的声学似然值的和作为所述音素后验概率的分母。

所述步骤2.4)中采用线性预测器得出所述待评测发音段的发音质量。