1 引言
與機器進行語音交流，是人們長期以來夢寐以求的事情。語音識別技術就是讓機器通過識別和理解過程把語音信號轉變為相應的文本或命令的技術，其被認為是2000年至2010年間信息技術領域十大重要的科技發展技術之一。在語音識別中，當識別器的訓練環境同應用環境不同時，其性能會急劇下降。為了解決這一問題，各種技術方法陸續地被提了出來，這些技術方法主要分為三大類：1)語音魯棒特征的表達和提取技術；2)語音增強技術；3)模型補償技術。關于這些方法的詳細回顧可參見文獻。本文的討論重點是模型補償技術。模型補償技術主要是通過合并純凈語音模型與噪聲模型，從而產生出用于識別的帶噪語音模型。文獻中已經證明PMC方法是一種非常有效的模型補償方法，它能產生出具有魯棒性的帶噪語音模型，這些文獻中并且給出了幾種不同的PMC方法。在這些PMC方法中，一些諸如數字積分PMC(Numerical Integral PMC)和數據驅動PMC(Date—driven PMC)方法能夠獲得很佳的識別率，但是這些方法的運算復雜度巨大，很難運用到實際應用中去。另一方面，一些諸如對數_力口PMC(Log-Add PMC)和對數．正態PMC(Log—Normal PMC)方法通過使用較簡單的估計方法來生成帶噪語音模型，這樣在很低信噪比的條件下識別效果不是很令人滿意。其中Log-Normal PMC方法對靜態模型參數給出一個嚴格的補償方案，但是對動態模型參數，到目前為止只能對其均值進行簡單的補償。雖然這種動態的均值補償可以提高識別率，但是算法仍有改進的空間，使其能夠為動態的協方差參數提供補償。
為了解決這一問題，本文提出了一種新的動態模型補償方法(DPCM)。DPCM選定語音特征與噪聲特征的差為一個新的附加隨機變量，并假設該附加變量與語音和噪聲特征的導數之間均相互統計獨立。這樣，動態特征的補償即可通過數學的方法來解決。此外新的DPCM可以同任何已知的靜態補償方法結合生成新的帶噪語音模型。實驗結果也證明使用該DPCM可以提供更好的識別率。
本文定義和使用一致的域標號。上標l表示對數功率譜域，無上標的則表示Mel線性功率譜域。估計出的噪聲模型參數用～標記，補償出的帶噪語音模型參數用^標記。
2 模型補償技術
模型補償技術是根據應用環境的背景噪聲情況，通過修正純凈語音特征的統計模型產生出一個更接近真實帶噪語音特征的統計模型。圖1是一個基本模型補償方案框圖，輸入為一個純凈的語音模型(目前一般采用HMM對語音建模)和一個估計出的噪聲模型。總的來講，模型補償依據補償進行的域不同可以分為兩類：線性譜域補償算法和對數譜域補償算法。
對于Log-Normal PMC(見圖1-II)，純凈語音模型同噪聲模型的合并是在線性譜域進行。那么純凈語音和噪聲模型的參數先要從倒譜域變換到對數譜域，然后再映射到線性譜域。在線性譜域進行模型的合并，然后進行相反的操作把模型參數映射變換回倒譜域。另一方面，Log—Add PMC(見圖1一I)模型的補償是在對數譜域進行。
通常的噪聲信號有兩類：卷積噪聲(信道的頻率響應)和加性噪聲。在本文中僅考慮加性噪聲情況。在文章中采用以下假設：1)噪聲是平穩加性噪聲，噪聲和語音信號是相互統計獨立的；2)每個子帶的對數頻譜域的特征(功率譜)分布被認為是(混合)高斯分布，Mel線性譜域的特征分布被認為是(混合)對數一正態分布。那么在Mel線性譜域第k個子帶帶噪語音特征Yk為：
其中Xk和Nk分別是線性頻譜域的純凈語音和噪聲子帶特征(“觀測”)。g是調節噪聲和語音的縮放比例因子，為了表達簡單起見，在后面的算法公式中省略此縮放比例因子g。那么對數頻譜域子帶的帶噪語音特征Ykl同純凈語音特征Xkl和噪聲特征Nkl的失配函數為：
2．1 靜態特征補償
對于Log-Normal PMC靜態模型特征補償的核心算法是對數譜域與線性譜域之間的非線性映射同線性譜域模型的合并，即：
其中k、l分別為第k、l個子帶。
對于Log—Add PMC靜態模型特征補償的只對均值進行補償：
2．2 動態特征補償
由于推導出嚴格的Log—Normal PMC動態特征補償算法非常困難，目前對Log—Normal PMC的動態特征補償一般采用粗略的補償方法，只對其均值進行補償。
對于Log-Add PMC其動態特征補償算法為：
3 新的動態模型參數補償方法
在本文中，使用靜態“觀測”的時間導數作為動態的“觀測”。這樣，動態特征的失配函數就應等于靜態特征的失配函數的一階導函數。根據(2)，動態特征失配函數為：
定義一個附加的隨機變量Zkl，定義為Zkl=Nkl一Xkl。由于Nkl和Xkl均為正態分布，并且他們之間相互獨立，那么隨機變量Zkl也是一個正態分布。其的均值和方差分別可以表示為μZkl=μNkl-μXkl和
那么動態失配函數(9)就可以進一步改寫成含Zkl的函數。
由于假設背景噪聲為平穩加性噪聲，那么噪聲動態特征的均值就可以被近似為零。本文還假設附加的隨機變量同語音和噪聲的動態特征不相關。這個假設也是DPCM的核心本質假設。由于靜態特征與其微分變換量之間是松相關的，所以這個假設是比較合理的。
3．1 均值補償
依據失配函數(10)和上述假設，對數譜域的帶噪語音特征的統計均值為：
其中
參數ti和ωi(i=l～n)是Hermite多項式Hn(t)的橫坐標和對應的權值。
3．2 協方差補償
同樣根據(10)和相關假設，可以獲得對數譜域的帶噪語音特征的協方差補償算法。
其中
且
附加隨機變量Zkl的引入以及附加隨機變量與語音和噪聲的動態特征不相關假設的使用降低了動態模型補償問題的求解維數。這種維數的降低同Gauss-Hermite數字積分的應用，使得新的DPCM成為一種十分有效的動態模型補償方法。
4 算法評估
算法評估實驗采用基于孤立字的6狀態HMM來做識別器。每個狀態有4個高斯密度函數。選取24個MFCC(12個靜態特征，12個動態特征)作為語音特征。訓練階段，用純凈語音訓練出純凈語音模型。在識別階段，使用純凈語音模型作為基本模型來識別。
使用TI—digits為算法評估語音庫，選用數據庫中有16個人(8男8女)的5081個短句，其中包含20個孤立詞，數字‘0’到‘9’和10個附加命令如‘go’、‘help’、‘repeate’等。訓練集含有641句，測試集包括5081句。算法分析窗口的長度為32ms，幀速率為9．6ms／幀。選取NOISEX-92中的White、Pink和Destoryerengine 3種噪聲作為評估的環境噪聲。使用200幀非重疊的噪聲來估計噪聲模型。全局信噪比定義為：
其中Pm(k)是第m幀的純凈語音功率普，N(k)是估計的噪聲能量平均譜，H是每句的語音幀數，L是FFT的長度，g是縮放因子讓所加的噪聲符合指定的全局信噪比。帶噪語音由(20)生成。
其中y(i)是帶噪語音，x(i)和n(i)分別是純凈語音和噪聲。對于文中語音的動態特征參數是依據(21)獲得。
為了比較DPCM方法的性能，采用5種識別方法：失配情況下的識別，Log—Add PMC，Log—Normal PMC，以及Log-AddPMC與Log—Normal PMC和DPCM相結合的方法。
圖2給出了White Noise環境下Gauss—Hermite積分項數n與識別率及算法復雜度關系。從圖中可以看出隨著積分項n的增加，兩種方法的識別率都沒有明顯的變化。但是算法的復雜度卻隨著n的增加而增加。結果說明n=2的Gauss—Hermite積分可以提供足夠的計算精度。因此在DPCM 中采用n=2， 即
表1～表3列出的是在不同噪聲環境和信噪比條件下的各種算法的識別率。可以看出使用補償算法的識別率比失配情況下有很大的提高。在-5dB條件下，使用了DPCM的識別方法對各種噪聲語音的平均識別率比僅使用Log—Add PMC和Log—NormalPMC的方法有絕對的7．5％和6．6％增加，在0dB情況下絕對增加值分別為8％和7．3％。在信噪比5—10dB下，有含DPCM方法的識別率比其他兩種算法仍然有性能上的提高。
表4列出了更新每個狀態的4個高斯密度分布中的單個高斯密度分布時，靜態均值和方差以及動態均值和方差(注：Log—Add PMC算法只對均值補償)從倒譜域變化到對數譜域、在對數譜域進行模型補償、以及從對數譜域變回倒譜域所需的乘法、除法、指數運算以及對數運算的次數。其中N和M分別表示在倒譜域和對數譜域特征的維數。從表中可看出含有DPCM的算法復雜度比其原始算法的復雜度只有輕微的增加。
實驗證明了本文的DPCM算法可以處理在不同加性噪聲環境下的語音識別任務，并且能夠取得比較好的識別效果。性能的提升歸功于相對應比較準確的動態模型補償方法的應用。通過這種方法的使用，含DPCM算法的識別率比目前的PMC算法有較明顯的提升。
5 結論
文中提出了一種新的動態特征補償方法，并給出了反映加性噪聲的語音動態特征失配函數，以及在此基礎上依據合理的假設，推導出的一系列動態模型參數補償DPCM的算法公式。并且DPCM算法可以與任意的靜態模型補償算法結合以提高原始算法的識別率。實驗結果表明在不同的噪聲環境下結合DPCM的PMC算法可以給出比原始PMC算法具有更好的識別率，在低信噪比條件下提升效果更為明顯。此外結合DPCM的模型補償算法的復雜度與原補償算法的復雜度基本相當，只有輕微的增加。可見DPCM算法是一種非常有效的動態特征補償算法。