汉语普通话声调精细建模.pdfVIP

NCMMSC2007 汉语普通话声调的精细建模* 1 2 2 1 呼月宁 ，初敏 ，黄超 ，张艳宁 (1. 西北工业大学计算机学院，西安，710072；2. 微软亚洲研究院，北京，100080) 文 摘：为了更好地研究普通话声调在连续语音中的变化规律，本文对普通话声调进行精细建模，即建立上下文相 关的声调模型(Context Dependent Tone Model，CDTM) 。该模型兼顾了当前音节的声韵母、前后音节的声调、后音 节的声母以及当前音节在韵律词和短语中的相对位置等因素对各个声调的影响。实验结果表明，CDTM 与传统的 三音子模型(tri-phone model)在声调识别上的效果基本一致，但CDTM 使得声调混淆的分布向更合理的方向改变。 CDTM 的优势在于它有效地反应声调在不同语境下的变化形式，为声调分析、语音合成、韵律边界检测等研究工作 提供了一种新的研究手段。 关键词：声调识别；声调建模；声调分析；上下文相关；韵律边界检测 中图分类号： TN912.34 声调在汉语辨意中起着非常重要的作用，因此 测试方法；关于模型的特征选择及其在普通话声调 精确的声调建模也是汉语语音合成、语音识别和语 识别的实验结果及相关分析是第3 节的核心；第4 音分析的关键。虽然，普通话四个声调的典型调值 节给出CDTM 的其它应用，最后第5 节对全文进行 可以用 55、35、214 和 51 来描述，四个声调的调 总结。 型在连续语流中的形态却是随上下文的变化而变 1 基于上下文的声调模型CDTM 化的。在语音识别中，传统的三音子模型(tri-phone model)主要考虑到前后音子对当前音子和声调(对 1.1 影响声调的因素 于韵母的模型而言) 的影响。在此基础上，有很多以 提高声调识别率为目标的改进工作。在文献[1]中， 作者提出了 supra-tone 模型并用于语音识别，它将 相邻的两个音节看作一个整体，建立di-tone 模型， 然后在用三音子模型识别生成网格(lattice) 的基础 上，对声调进行重新打分(rescore) ，选出得分最高 的路径作为识别结果输出。这种方法在普通话的声 调识别中，有效地将错误率降低了12%。 在di-tone 模型中，只考虑了前一音节对当前音 节声调的影响。实际上，还有很多其它因素会影响 图1 例句的声调分析 声调的形态。例如，前、后音节的声调，音节在词 和短语中的位置，音节是否重读，重读的程度等。 注：本图纵轴表示基频，横轴表示句子。每个字所对应的基频曲线用虚 为了更准确地刻画声调在连续语流中的变化 线隔开。 形式，本文借鉴了基于HMM 的语音合成的训练模 图1 所示为一句话的音高曲线。其中“也ye3 ” 式[2] ，在声调建模中引入了更多的上下文因素，并 为第二个短语的首字，而“瓦wa3 ”为尾字。可以 将该模型用于普通话声调识别、声调相关的语音分 明显看出，同为三声，当出现在句中不同位置时， 析和韵律边界检测等方面。 二者的调型表现出很大的差异。前三个字“不是块， 本文内容安排如下：第1 节主要介绍上下文相 bu2 shi4 kuai4 ”，第一个四声跟在二声之后，二声的 关的声调模型(Context Dependent Tone Model, 终止状态很高，故跟在二声后面的四声起点很高。 CDTM)的定义；第2 节重点描述 CDTM 的训练及 而第二个四声跟在四声之后，由于四声的终止状态 *本文工作是第一作者在微软亚洲研究院实习期间完成 作者简介：呼月宁（1984-12），女（汉族），陕西，西北工业大学硕士研究生。 通讯联系人：初敏研究