基於GMM及PPM模型的国、闽南-古鸿炎-台湾科技大学.doc

國立台灣科技大學 資訊工程系 碩士學位論文 中華民國 年 月 日 摘要 本論文採用梅爾倒頻譜係數及其差分係數來代表聲學特性，再以Legendre多項式和離散餘弦函數去逼近音調軌跡，而萃取出音調特性的係數。接著對這兩類係數分別建立高斯混合模型，此外，也對各個音框的特徵係數作表徵化，再去建立PPM模型，以模式化連續的表徵之間的語言特性。除了以線外實驗探討適合對國、閩南、客語三種語言作辨識的模型結構外，我們也建造了一個可供線上測試的自動語言辨識系統。在線外測試中，三種語言的平均辨識率可到達97%，而在線上的初步測試裡，辨識率則可達73%之平均值。 ABSTRACT In this thesis, different models and model structures are studied to identify among the three languages: Mandarin, Holo, and Hakka. Acoustic features are represented as Mel-frequency cepstrum coefficients (MFCC). In addition, Legendre polynomials and discrete cosine transforms (DCT) are used to approximate the pitch contour of a voice segment. For the two kinds of features, Gauussian mixture models (GMM) are constructed respectively. Also, each frame’s feature vector is tokenized in order to construct a prediction by partial matching (PPM) model to modelize the characteristics embedded in a sequence of tokens. According to the models studied, a practical language identification system has been built. In offline tests, identification success rate can reach 97% in average. In initial online (i.e. inputting with a telephone) tests, the system can obtain a success rate of 73% in average. 誌謝 首先非常感謝我的指導教授古鴻炎老師，引導我的研究方向，並在研究過程中細心指導、耐心建議，讓我能夠完成這篇論文。此外也要感謝蔡偉和博士、鍾國亮博士、王新民博士、以及余明興博士在口試的時提供寶貴的意見以及對論文的指正，使得本論文更臻完善。 接著要感謝實驗室裡給我多方建議的學長們：許勝銘、周彥佐、王如江、曾政傑，一起努力的同學們：林正甫、游政仁、吳昌益，以及優秀的學弟們：楊善翔（協力完成線上系統）、朱楠群、梁弘學、陳忠緯。我能順利完成學業，你們的協助功不可沒。 最重要的是要感謝我的雙親：蔡修先生以及吳淑瑩女士，由於你們的支持，以及對我的關懷及鼓勵，使我能夠集中精力完成研究所的學業。 最後感謝所有幫助過我的朋友及大學時代的學長們，願這份喜悅與你們分享。 目錄 第1章 導言 1 1.1研究動機 1 1.2文獻回顧 2 1.3系統架構 3 1.4論文大綱 6 第2章 語音訊號處理及特徵萃取 7 2.1語音檔案格式 7 2.2聲學特徵 7 2.2.1語音訊號預處理 7 2.2.2 MFCC特徵參數 9 2.2.3 MFCC抽取工具：HTK 10 2.3 音調特徵 11 2.3.1計算音高 11 2.3.2音高軌跡修正 13 2.3.3音高軌跡分段 14 2.3.4 Legendre Polynomial係數 14 2.3.5 DCT轉換 17 第3章 語言辨識模型 19 3.1語言特徵 19 3.2 K-Mean分群 19 3.3高斯混合模型（GMM） 21 3.4 K-Mean based on GMM distance 23 3.5 PPM模型 24 3.6分數量測 27 第4章 線外測試實驗 28 4.1實驗語料及環境 28 4.2 MFCC GMM 混合數實驗 29 4.3 MFCC差分間距之實