[发明专利]可辨认任何语言句子的方法

说明书

技术领域

本发明提供一种可辨认任何语言句子的方法，用12弹性框(窗)，等长、无滤波器、不重叠，将一到多个单字组成长短不一的一个句子的音波转换成E×P＝12×12的线性预估编码倒频谱(LPCC)的矩阵。将全部被辨认的已知句子以相似度先分到一千个不同资料库中，辨认一个未知句子时，将它先转换成E×P线性预估编码倒频谱矩阵，再用未知句子E×P矩阵用距离从一千个资料库中，找最接近的资料库。再从最接近的资料库内的已知句子，用距离找要辨认未知的句子。

当使用者发音后，用Visual Basic，不到一秒钟很快能辨认所要的句子。方法简单，不需样本，任何人都可即时使用，发音不标准或发错音者也可。以前要计算及比对一个句子特征值，本发明只要计算及比对一个句子E×P矩阵值，速度快、准确率高。用普通话、闽南语、英语、日语、德语发音均测试过，可辨认大量语音，本发明不用样本，用简单数学计算及辨认，又准又快。

背景技术

一般辨认一个未知句子是先将该未知句子切割成多个单音或单字，切割是一项极高难度技术，尤其是英语，一个英语单字有多个音节，很难切割准确，一音节之差会使未知句子辨认错。所以讲话时，要小心、要慢、要清楚、单字间隔要长。再将未知句子全部单字和资料库的已知单字比对，一个单字错误会使未知句子辨认错。再将单字资料库找到的已知单字依照未知句子单字顺序，连成一个已知句子，再从句子资料库找最可能已知句子为未知句子。一般辨认一个未知句子方法很难准确，费时，不能正常和电脑自由交谈。一般辨认方法需费时做样本，须用统计计算及辨认，当然不准，因统计只能估计。

一个句子的发音是用音波表示。音波是一种随时间作非线性变化的系统，一个句子音波内含有一种动态特性，也随时间作非线性连续变化。相同句子发音时，有一连串相同动态特性，随时间作非线性伸展及收缩，但相同动态特性依时间排列秩序一样，但时间不同。相同句子发音时，将相同的动态特性排列在同一时间位置上非常困难。

一个电脑化语言辨认系统，首先要抽取声波有关语言资讯，也即动态特性，过滤和语言无关的杂音，如人的音色、音调，说话时心理、生理及情绪和语音辨认无关先删去，然后再将相同句子的相同特征排列在相同的时间位置上。此一连串的特征用一等长系列特征向量表示，称为一个句子的特征模型。目前语音辨认系统要产生大小一致的特征模型太复杂，且费时，因为相同句子的相同特征很难排列在同一时间位置上，尤其是英语，导致比对辨认较困难。

一个连续声波特征常用有下列几种：能量(energy)，零横过点数(zerocrossings)，极值数目(extreme count)，颠峰(formants)，线性预估编码倒频谱(LPCC)及梅尔频率倒频谱(MFCC)，其中以线性预估编码倒频谱(LPCC)及梅尔频率倒频谱(MFCC)是最有效，并普遍使用。线性预估编码倒频谱(LPCC)是代表一个连续音最可靠，稳定又准确的语言特征。它用线性回归模式代表连续音音波，以最小平方估计法计算回归系数，其估计值再转换成倒频谱，就成为线性预估编码倒频谱(LPCC)。而梅尔频率倒频谱(MFCC)是将音波用傅氏转换法转换成频率。再根据梅尔频率比例去估计听觉系统。根据学者S.B.Davis and P.Mermelstein于1980年出版在IEEE Transactions on Acoustics，Speech Signal Processing，Vol.28，No.4发表的论文Comparison of parametric representations for monosyllabicword recognition in continuously spoken sentences中用动态时间扭曲法(DTW)，梅尔频率倒频谱(MFCC)特征比线性预估编码倒频谱(LPCC)特征辨认率要高。但经过多次语音辨认实验(包含本人前发明)，用贝氏分类法，线性预估编码倒频谱(LPCC)特征辨认率比梅尔频率倒频谱(MFCC)特征要高，且省时。