[发明专利]一种简单有效的短语语音识别方法

说明书

技术领域

本发明属于语音识别技术领域，具体涉及一种简单有效的短语语音识别方法。

背景技术

短语语音识别技术是指利用信号处理技术和模式识别方法，通过采集短语语音来识别短语内容的技术。目前，短语语音识别采用的主要特征包括梅尔倒谱系数(MFCC)、线性预测编码倒谱系数(LPCC)、感觉加权的线性预测系数(PLP)。主要采用隐马尔可夫模型、动态时间规划等方法。而这些方法的复杂度较高，不适合实时性要求较高的场合。

发明内容

针对现有技术所存在的上述技术问题，本发明提供了一种简单有效的短语语音识别方法，通过利用测试语音和目标短语的训练语音的GMM Token配比相似度识别短语。

一种简单有效的短语语音识别方法，包括如下步骤：

(1)搜集一定数量的待识别短语发音的语音特征训练生成一个语音背景模型SBM(Speech Background Model)；

(2)针对任一个目标短语，计算其训练语音特征在语音背景模型SBM上的GMM Token配比向量GTR；依此遍历所有目标短语；

(3)接收测试语音，计算测试语音特征在语音背景模型SBM上的GMM Token配比向量GTR；

(4)计算测试语音特征与每一目标短语的训练语音特征关于GMM Token配比向量GTR之间的相似度，根据相似度生成对应的目标短语得分；

(5)对最高目标短语得分进行阈值过滤后，识别确定最高目标短语得分所对应的目标短语即为测试语音的真实内容。

所述的步骤(1)中采用EM算法(Expectation-maximization algorithm，简称期望最大算法)训练生成语音背景模型SBM，其为混合阶数为M的高斯混合模型，并以λ表示，M为大于1的自然数。

所述的步骤(2)和(3)中，计算特定语音特征在语音背景模型SBM上的GMM Token配比向量GTR的具体过程如下；特定语音为训练语音或测试语音，特定语音特征以X＝{x₁,x₂,...,x_n}表示，x_i为特定语音的第i帧特征向量；

首先，将特定语音特征转换成一个GMM Token序列T如下：

T＝{t₁,t₂,...,t_n}t_i∈{1,2,...,M}

其中：t_i为GMM Token序列T中第i个Token元素，其取值为语音背景模型SBM中的一高斯分量标号，M为语音背景模型SBM的混合阶数，i为自然数且1≤i≤n，n为特定语音的总特征帧数；

然后，根据以下公式统计语音背景模型SBM中每一个高斯分量标号在GMM Token序列T中出现的频率，即GMM Token配比分量f_m；

其中：N_m为高斯分量标号m在GMM Token序列T中出现的次数，fm为高斯分量标号m在GMM Token序列T中出现的频率，m为自然数且1≤m≤M；

最后，根据GMM Token配比分量f_m，构建特定语音特征在语音背景模型SBM上的GMM Token配比向量GTR如下：

GTR＝[f₁,f₂,...,f_M]^T

对于N个目标短语的训练语音特征，则依据上述流程计算出对应的GMM Token配比向量GTR_t1,GTR_t2,…,GTR_tN，N为大于1的自然数；对于任一测试语音特征X_e，则依据上述流程计算出对应的GMM Token配比向量GTR_e。

所述的Token元素t_i表示为最有可能生成对应帧特征向量x_i的高斯分量标号，其表达式如下：

其中：ω_m为语音背景模型SBM中第m个高斯分量对应的权重，p_m(x_i)为特征向量x_i在语音背景模型SBM中第m个高斯分量上的似然得分，即特征向量x_i由语音背景模型SBM中第m个高斯分量生成的概率。