基于词网模型的连续语音识别系统MYASR的设计与开.docVIP

基于词网模型的连续语音识别系统MYASR的设计与开 摘　要：基于词网模型的连续语音识别系统在各方面得到了广泛应用，如语音拨号、语音指令、语音菜单、语音导航及语音电话簿等。本文在研究语音识别理论的基础上，设计并开发了基于词网模型的连续语音识别系统-MYASR。MYASR提供了丰富的功能模块，包括前端处理、特征提取、模型训练、词网构建、识别等，使开发一个基于词网模型的连续语音识别应用系统更加方便，同时也是语音识别研究的实验平台。MYASR所采用的XML描述文件，使系统具有良好的可读性和可扩展性。通过在TIMIT语料库上单音子连续语音识别的实验显示，MYASR具有很高的识别性能和实时性能。 关键词：语音识别；MYASR系统；XML语言 1.引言 　　在小词汇量的语音识别系统中，主要分为孤立词识别和基于词网模型的连续语音识别。前者通过词发音端点分割算法，把每个词的发音从整段语音中分割出来，然后再到模型集中去寻找最佳的匹配作为识别结果。XML同HTML一样，都来自SGML(标准通用标记语言)。SGML是一种在Web发明之前就早已存在的用标记来描述文档资料的通用语言。但SGML十分庞大且难于学习和使用。鉴于此，人们提出了XML 语言，它具有可扩展性、灵活性、自描述性、简明性的优点。 　　在MYASR系统中有多个功能模块，每个功能模块都有各自的参数，采用XML语言对这些参数进行描述更加直观，可读性更强。例如，MYASR中MFCC编码的XML描述如下： 　　lt;mfcc_paramsgt; 　　lt;type_maskgt; MFCC_0_D_A lt;/type_maskgt; 　　lt;sample_rategt; 16000 lt;/sample_rategt; 　　lt;win_sizegt; 400 lt;/win_sizegt; 　　lt;win_shiftgt; 160 lt;/win_shiftgt; 　　lt;fft_sizegt; 512 lt;/fft_sizegt; 　　lt;low_freqgt; 200 lt;/low_freqgt; 　　lt;high_freqgt; 7000 lt;/high_freqgt; 　　lt;pre_enphasisgt; 0.97 lt;/pre_enphasisgt; 　　lt;mel_numgt; 26 lt;/mel_numgt; 　　lt;cep_numgt; 12 lt;/cep_numgt; 　　lt;cep_liftergt; 10 lt;/cep_liftergt; 　　lt;/mfcc_paramsgt; 　　 　　MYASR通过XML解析器将XML元素中的参数提取出来，然后再传递给各个功能模块。当需要增加参数时，只要在XML文件中适当位置增加一个元素(Element)即可，具有良好的可扩展性。 3.系统开发 MYASR系统的模块结构如下所示： 3.1前端处理 　　MYASR的前端处理包括以下功能模块：自动增益控制(AGC)、噪音消除、预加重处理。其相应的XML描述如下： lt;preprocess_bat workdir=“d:worktmp”gt; lt;paramsgt; lt;frame_tsgt; 20 lt;/frame_tsgt; //帧长 lt;agcgt; lt;levelgt; 0.5 lt;/levelgt; lt;max_gaingt;2.0lt;/max_gaingt; //最大增幅 lt;min_gaingt;1.0 lt;/min_gaingt; //最小增幅 lt;agcgt; lt;pre_enphasisgt; 0.97 lt;/pre_enphasisgt;//预加重系数 lt;denoisegt;1lt;/denoisegt;　//噪音消除 lt;/paramsgt; lt;transcripgt; pretrans.scp lt;/transcripgt; lt;/preprocess_batgt; 　　其中属性”workdir”表示当前的工作目录，元素lt;agcgt;表示自动增益控制参数，元素lt;pre_enphasisgt;表示预加重参数，元素lt;denoisegt;表示是否对语音进行噪音消除。元素lt;transcripgt;表示批处理文件，此文件中描述了目标文件名及处理后的文件名，内容如下： 　　”speech1.wav” “speech1_dn.wav” 　　”speech2.wav” “speech2_dn.wav” 　　”speech3.wav” “speech3_dn.wav” 　　......... 3.2端点分割 　　在MYASR系统中，实现两种类型的端点