[发明专利]一种基于音素的语种区分性特征的语种识别方法

权利要求书

1.一种基于音素的语种区分性特征的语种识别方法，其特征在于：

Step1：首先获取LibriVox音频数据，再采用短时谱熵、短时能量，短时过零率参数进行完整语义短时语音段切分；

Step2：读入TIMIT数据集，依据TIMIT数据集合中的手动标记信息提取音素集合；

Step3：依据音素集合中的音素基音频率信息、共振峰频率信息构造音素区分性特征；

Step4：利用GMM模型对音素区分性特征进行训练和测试，构建帧级的音素识别器；

Step5：将完整语义短时语音段进行预处理并分帧，再将帧信号输入音素识别器，输出不同语种整语义短时语音段的帧音素概率向量；

Step6：在TIMIT音素集基础上，根据不同语种语音帧音素概率的信息熵判断扩充多语种音素集；

Step7：先根据语音段帧音素概率向量求语音段音素向量及语音段音素概率向量，再根据语音段音素向量及语音段音素概率向量求语音段的n-gram元法的音素概率向量，最后以语音段的n-gram元法的音素后验概率向量组合作为音素区分性信息，完成语音段的音素语种区分性特征的构造；

Step8：先将二维的语音段的音素语种区分性特征转为灰度图，再采用经典的残差神经网络Resnet进行语种识别，最后获得较高识别率的语种识别结果。

2.根据权利要求1所述的基于音素的语种区分性特征的语种识别方法，其特征在于，所述Step1具体为：

Step1.1：在采用帧长0.025s帧移0.001s的微帧的短时能量阈值、短时过零率阈值、短时谱熵阈值确定出语音段中一段理想的无话段；

Step1.2：根据所找的无话段短时能量与短时过零率确定语音的音节边界；

Step1.3：依据边界对音频进行消除无话段并指定时长做无破坏切分。

3.根据权利要求1所述的基于音素的语种区分性特征的语种识别方法，其特征在于，所述Step6具体为：将多语种语音帧信号集输入GMM音素识别器，根据得出的音素概率向量求帧音素概率向量的信息熵，根据信息熵判定扩充多语种拟合多语种音素。

4.根据权利要求1所述的基于音素的语种区分性特征的语种识别方法，其特征在于，所述Step7具体为：

Step7.1：求音素捆绑的多个帧的帧音素概率向量P(O)的最大值p_i的平均值，将其作为语音段音素概率向量中对应音素的概率值；

Step7.2：求取语音段n-gram元法的音素概率向量；

Step7.3：求取l(l＝1，2，3)元音素后验概率[P_l]；

Step7.4：将[P_l](l＝1，2，3)拼接成一个q×3·q的二维矩阵[P]来作为语音段的音素语音学语种区分性特征。