語音識(shí)別算法有哪些_語音識(shí)別特征提取方法

　　語音識(shí)別算法有哪些

　　本文列舉了幾種不同的語音識(shí)別算法。

　　第一種：基于動(dòng)態(tài)時(shí)間規(guī)整（Dynamic Time Warping）的算法

　　在連續(xù)語音識(shí)別中仍然是主流方法。

　　該方法的運(yùn)算量較大，但技術(shù)上較簡(jiǎn)單，識(shí)別正確率高。

　　在小詞匯量、孤立字（詞）識(shí)別系統(tǒng)中，也已有許多改進(jìn)的DTW算法被提出。例如，利用頻率尺度的DTW算法進(jìn)行孤立字（詞）識(shí)別的方法。

　　第二種：基于參數(shù)模型的隱馬爾可夫模型（HMM）的方法

　　該算法主要用于大詞匯量的語音識(shí)別系統(tǒng)，它需要較多的模型訓(xùn)練數(shù)據(jù)，較長(zhǎng)的訓(xùn)練和識(shí)別時(shí)間，而且還需要較大的內(nèi)存空間。

　　一般連續(xù)隱馬爾可夫模型要比離散隱馬爾可夫模型計(jì)算量大，但識(shí)別率要高。

　　第三種：基于非參數(shù)模型的矢量量化（VQ）的方法

　　該方法所需的模型訓(xùn)練數(shù)據(jù)，訓(xùn)練和識(shí)別時(shí)間，工作存儲(chǔ)空間都很小。

　　但是VQ算法對(duì)于大詞匯量語音識(shí)別的識(shí)別性能不如HMM好。

　　在孤立字（詞）語音識(shí)別系統(tǒng)中得到了很好的應(yīng)用。

　　另外，還有基于人工神經(jīng)網(wǎng)絡(luò)（ANN）的算法和混合算法，如ANN/HMM法，F(xiàn)SVQ/HMM法等。

　　更多語音識(shí)別算法如下：

　　卷積神經(jīng)網(wǎng)絡(luò)

　　深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)

　　BP神經(jīng)網(wǎng)絡(luò)

　　RBF神經(jīng)網(wǎng)絡(luò)

　　模糊聚類神經(jīng)網(wǎng)絡(luò)

　　改進(jìn)的T-S模糊神經(jīng)網(wǎng)絡(luò)

　　循環(huán)神經(jīng)網(wǎng)絡(luò)

　　小波神經(jīng)網(wǎng)絡(luò)

　　混沌神經(jīng)網(wǎng)絡(luò)

　　小波混沌神經(jīng)網(wǎng)絡(luò)

　　神經(jīng)網(wǎng)絡(luò)和遺傳算法

　　動(dòng)態(tài)優(yōu)化神經(jīng)網(wǎng)絡(luò)

　　K均值和神經(jīng)網(wǎng)絡(luò)集成

　　HMM與自組織神經(jīng)網(wǎng)絡(luò)的結(jié)合

　　正交基函數(shù)對(duì)向傳播過程神經(jīng)網(wǎng)絡(luò)

　　HMM和新型前饋型神經(jīng)網(wǎng)絡(luò)

　　特征空間隨機(jī)映射

　　SVM多類分類算法

　　特征參數(shù)歸一化

　　多頻帶譜減法

　　獨(dú)立感知理論

　　分段模糊聚類算法VQ-HMM

　　優(yōu)化的競(jìng)爭(zhēng)算法

　　雙高斯GMM特征參數(shù)

　　MFCC和GMM

　　MFCCs和PNN

　　SBC和SMM

　　MEL倒譜系數(shù)和矢量量化

　　DTW

　　LPCC和MFCC

　　隱馬爾科夫模型HMM

　　語音識(shí)別特征提取方法

　　語音識(shí)別對(duì)特征參數(shù)有如下要求：

　　1. 能將語音信號(hào)轉(zhuǎn)換為計(jì)算機(jī)能夠處理的語音特征向量

　　2. 能夠符合或類似人耳的聽覺感知特性

　　3. 在一定程度上能夠增強(qiáng)語音信號(hào)、抑制非語音信號(hào)

　　常用特征提取方法有如下幾種：

　?。?）線性預(yù)測(cè)分析（LinearPredicTIonCoefficients，LPC）

　　擬人類的發(fā)聲原理，通過分析聲道短管級(jí)聯(lián)的模型得到的。假設(shè)系統(tǒng)的傳遞函數(shù)跟全極點(diǎn)的數(shù)字濾波器是相似的，通常用12-16個(gè)極點(diǎn)就可以描述語音信號(hào)的特征。所以對(duì)于n時(shí)刻的語音信號(hào)，我們可以用之前時(shí)刻的信號(hào)的線性組合近似的模擬。然后計(jì)算語音信號(hào)的采樣值和線性預(yù)測(cè)的采樣值。并讓這兩者之間達(dá)到均方的誤差（MSE）最小，就可以得到LPC。

　?。?）感知線性預(yù)測(cè)系數(shù)（PerceptualLinearPredicTIve，PLP）

　　一種基于聽覺模型的特征參數(shù)。該參數(shù)是一種等效于LPC的特征，也是全極點(diǎn)模型預(yù)測(cè)多項(xiàng)式的一組系數(shù)。不同之處是PLP是基于人耳聽覺，通過計(jì)算應(yīng)用到頻譜分析中，將輸入語音信號(hào)經(jīng)過人耳聽覺模型處理，替代LPC所用的時(shí)域信號(hào)，這樣的優(yōu)點(diǎn)是有利于抗噪語音特征的提取。

　?。?）Tandem特征和Bottleneck特征

　　這是兩種利用神經(jīng)網(wǎng)絡(luò)提取的兩類特征。Tandem特征是神經(jīng)網(wǎng)絡(luò)輸出層節(jié)點(diǎn)對(duì)應(yīng)類別的后驗(yàn)概率向量降維并與MFCC或者PLP等特征拼接得到。Bottleneck特征是用一種特殊結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)提取，這種神經(jīng)網(wǎng)絡(luò)的其中一個(gè)隱含層節(jié)點(diǎn)數(shù)目比其他隱含層小的多，所以被稱之為Bottleneck（瓶頸）層，輸出的特征就是Bottleneck特征。

　　（4）基于濾波器組的Fbank特征（Filterbank）

　　亦稱MFSC，F(xiàn)bank特征的提取方法就是相當(dāng)于MFCC去掉最后一步的離散余弦變換，跟MFCC特征相比，F(xiàn)bank特征保留了更多的原始語音數(shù)據(jù)。

　?。?）線性預(yù)測(cè)倒譜系數(shù)（LinearPredicTIveCepstralCoefficient，LPCC）

　　基于聲道模型的重要特征參數(shù)。LPCC是丟棄了信號(hào)生成過程中的激勵(lì)信息。之后用十多個(gè)倒譜系數(shù)可以代表共振峰的特性。所以可以在語音識(shí)別中取得很好的性能。

　?。?）梅爾頻率倒譜系數(shù)（MelFrequencyCepstrumCoefficient，MFCC）

　　基于人耳聽覺特性，梅爾頻率倒譜頻帶劃分是在Mel刻度上等距劃分的，頻率的尺度值與實(shí)際頻率的對(duì)數(shù)分布關(guān)系更符合人耳的聽覺特性，所以可以使得語音信號(hào)有著更好的表示。1980年由Davis和Mermelstein搞出來的。從那時(shí)起。在語音識(shí)別領(lǐng)域，MFCC可謂是鶴立雞群，一枝獨(dú)秀。

　　Q： MFCC為何一枝獨(dú)秀

　　人通過聲道產(chǎn)生聲音，聲道的shape決定了發(fā)出怎樣的聲音。聲道的shape包括舌頭，牙齒等。如果我們可以準(zhǔn)確的知道這個(gè)形狀，那么我們就可以對(duì)產(chǎn)生的音素phoneme進(jìn)行準(zhǔn)確的描述。聲道的形狀在語音短時(shí)功率譜的包絡(luò)中顯示出來。而MFCC就是一種準(zhǔn)確描述這個(gè)包絡(luò)的一種特征。

　　聲譜圖

　　處理語音信號(hào)，如何去描述它很重要，因?yàn)椴煌拿枋龇绞椒庞乘煌男畔?，而聲譜圖的描述方式是最利于觀測(cè)和理解的。

　　由上圖可知，這段語音被分為很多幀，每幀語音都對(duì)應(yīng)于一個(gè)頻譜（通過短時(shí)FFT計(jì)算），頻譜表示頻率與能量的關(guān)系。在實(shí)際使用中，頻譜圖有三種，即線性振幅譜、對(duì)數(shù)振幅譜、自功率譜（對(duì)數(shù)振幅譜中各譜線的振幅都作了對(duì)數(shù)計(jì)算，所以其縱坐標(biāo)的單位是dB（分貝）。這個(gè)變換的目的是使那些振幅較低的成分相對(duì)高振幅成分得以拉高，以便觀察掩蓋在低幅噪聲中的周期信號(hào)）。

　　先將其中一幀語音的頻譜通過坐標(biāo)表示出來，如上圖（a）。旋轉(zhuǎn)90度，得到圖（b）。把這些幅度映射到一個(gè)灰度級(jí)表示，得到了圖（c）。這樣操作的原因是為了增加時(shí)間維度，，得到一個(gè)隨著時(shí)間變化的頻譜圖，這個(gè)就是描述語音信號(hào)的聲譜圖（spectrogram）。這樣就可以顯示一段語音而不是一幀語音的頻譜，而且可以直觀的看到靜態(tài)和動(dòng)態(tài)的信息。

　　倒譜分析（CepstrumAnalysis）

　　下面是一個(gè)語音的頻譜圖。峰值就表示語音的主要頻率成分，我們把這些峰值稱為共振峰（formants），而共振峰就是攜帶了聲音的辨識(shí)屬性，用它就可以識(shí)別不同的聲音。因此，需要把它提取出來。要提取的不僅是共振峰的位置，還得提取它們轉(zhuǎn)變的過程。所以我們提取的是頻譜的包絡(luò)（SpectralEnvelope）。這包絡(luò)就是一條連接這些共振峰點(diǎn)的平滑曲線。

　　由上圖可以看出，原始的頻譜由兩部分組成：包絡(luò)和頻譜的細(xì)節(jié)。因此需要把這兩部分分離開，就可以得到包絡(luò)了。按照下圖的方式進(jìn)行分解，在給定logX［k］的基礎(chǔ)上，求得logH［k］和logE［k］滿足logX［k］=logH［k］+logE［k］。

　　由上面這個(gè)圖我們可以看到，包絡(luò)主要是低頻成分，而高頻主要是頻譜的細(xì)節(jié)。把它倆疊加起來就是原來的頻譜信號(hào)了。即，h［k］是x［k］的低頻部分，因此將x［k］通過一個(gè)低通濾波器就可以得到h［k］了，也就是頻譜的包絡(luò)。

　　以上解卷過程的專業(yè)術(shù)語叫做同態(tài)信號(hào)處理，（另一種方法為基于線性變換）。語音本身可以看成是聲道沖擊信息（包括話者個(gè)性信息、語義信息，表現(xiàn)為頻譜低頻成分）經(jīng)過聲門激勵(lì)的一個(gè)響應(yīng)函數(shù)，在時(shí)域上表現(xiàn)為卷積形式。為將二者分離開來，求得聲道共振特征和基音周期，需要把這種非線性問題轉(zhuǎn)化為線性問題。第一步通過FFT將其變成了乘性信號(hào)（時(shí)域的卷積相當(dāng)于頻域的乘積）；第二步通過取對(duì)數(shù)將乘性信號(hào)轉(zhuǎn)化為加性信號(hào)；第三步進(jìn)行逆變換，使其恢復(fù)為卷性信號(hào)。此時(shí)，雖然前后均是時(shí)域序列，但它們所處的離散時(shí)域顯然不同，所以后者稱為倒譜頻域。計(jì)算過程如下圖所示。

　　更多精彩閱讀： 　　語音識(shí)別的兩個(gè)方法_語音識(shí)別的應(yīng)用有哪些 　　語音識(shí)別的優(yōu)缺點(diǎn)_語音識(shí)別功能介紹 　　怎么實(shí)現(xiàn)語音識(shí)別_手機(jī)語音識(shí)別怎么設(shè)置 　　語音識(shí)別設(shè)置能刪除嗎_語音識(shí)別系統(tǒng)工作流程