在線客服
企業微信
關鍵詞：信息處理；說話人自適應；隱空間投影；空間相關性
語音識別技術近些年來取得了很大的進展，得到了廣泛的應用，但是，穩健性問題仍然是語音識別中一個嚴重的問題。所謂的穩健性是指語音識別系統在各種條件下都能保持較高識別率的這樣一種性質，穩健性問題的解決將是推動語音識別技術實用化的一個關鍵因素。模型自適應是一種解決穩健性問題比較有效的方法，通過利用少量的待識別語音更新碼本，使得自適應后的碼本更接近于待識別的語音的特性，同時使得自適應后的碼本更接近于識別環境。
聲學碼本的各個狀態之間是相互關聯的，某些狀態間存在著很強的相關性，這種相關性被稱為“空間相關性。由于噪聲與語音信號是統計獨立的，語音信號的相關性是噪聲所不具備的，因此，可以利用語音信號的空間相關性提高語音識別系統的穩健性。
為了減弱噪聲對語音識別系統的影響，本文提出了一種利用隱空間投影projection to latentstructure(PLS)的模型自適應方法，該方法利用聲學狀態間的相關性，通過模型自適應降低噪聲對語音識別系統的影響。
目前比較有效的自適應技術有最大似然線性回歸(maximum likelihood linear regression，MLLR)、最大后驗概率(maximum a posterior，MAP)和本征音(eigenvoice，EV)等幾種，MLLR利用期望值最大(expectation maximization，EM)算法使得自適應數據的似然值最大，MAP利用最大后驗概率更新當前碼本參數。EV算法利用主分量分析(principal componentanalysis，PCA)來提取出一組基，用這組基來表示碼本的性質，由于碼本的狀態間存在著相關性，因此，可以用較少的基來表示碼本的特性，然后根據待識別說話人的特性調整各個基的系數;但是，由于這些基是從訓練數據中提取出來的，當碼本訓練數據有限時，它可能不能充分地反映待識別的說話人的特性，或者說待識別說話人與碼本之間的相關性。PLS方法則可以解決這個問題，它與EV算法的主要區別在于，PLS方法在提取基矢量的過程中利用了待識別的說話人數據。由于噪聲與語音是統計獨立的，因此，可以認為待識別說話人數據中不能用這組基線性表示的余量就是噪聲。
1 PLS模型自適應
如果用X表示碼本，Y表示待識別語音(來自同一說話人)，PLS模型則要尋找一組基矢量ti，這組基矢量既可以用來表示X，也可以用來表示Y，即X和Y均表示成隱變量ti的線性變換。當有噪聲存在時，不能用基矢量的線性組合表示的那部分語音就是噪聲。表示如下：
其中：X是K×N維矩陣;Y是K×M維矩陣，K表示特征維數，N表示碼本狀態個數，M表示說話人統計量包含的狀態數目(M≤N);ti是K×1維的列矢量，ti的個數用A來表示，即i=1，2，…，A；pi是N×1維的列矢量；ri是M×1維的列矢量。這里的pi和ri分別表示ti在X中及Y中的權重，矩陣E和F表示預測誤差矩陣，那么噪聲就表示為誤差矩陣F。
1．1 基向量的求解
假設從兩組變量中分別提取成分t和u，t是自變量X的一個線性變換t=Xw，u是因變量X的一個線性變換u=Yv。
欲使得t和u的相關程度達到最大，即可以通過讓t和u的內積最大來實現，即一個條件極值問題:
利用Langrange乘數法，可知當t是矩陣的最大特征值對應的特征向量時，u是矩陣的最大特征值對應的特征向量時，t和u的相關程度達到最大。
1．2 PLS說話人自適應算法計算步驟
根據上面給出的基向量求解方法，可以給出下面的PLS說話人自適應算法的計算步驟。
步驟l變量去均值歸一化處理，X和Y的各個分量都要去均值歸一化，設Xo和Yo分別表示經過歸一化和去均值處理后的矩陣。
下面用Xi、Yi、ti、pi、ri分別表示第i次迭代得到的自變量、因變量、基矢量、自變量系數、因變量系數，其中i=1，2，…，A，A表示基矢量的個數。
步驟2 又分為3步。
步驟3 利用Yi更新碼本中相應狀態的均值。
與EV算法相比，PLS利用了待識別說話人的數據提取基矢量，因此，它所提取出的基矢量能反映待識別的說話人的特性，可以用于說話人自適應。此外，當待識別的語音中含有噪聲時，由于這組基也是反映碼本特性
