论文部分内容阅读
给定一段语音，自动给出语音语种信息的语种识别技术，在多语种语音服务，信息安全等许多领域都有着非常广泛的应用。语音环境的复杂多变是语种识别技术从实验环境应用到实际环境中的重要挑战。不同的环境背景噪声，不同的传输信道等因素都将造成测试语音与训练语音不匹配，从而使语种识别的性能大幅下降。提高语种识别系统的鲁棒性成为语种识别技术更好地在实际中应用的必然要求。本文基于当前鲁棒性语种识别技术的发展，从语种声学特征的鉴别性建模，表征语音语种信息特征的鲁棒性学习以及更精细的语音语种信息的表征等方面展开探索和研究，主要的研究工作和创新点包括: 1.研究并实现了语种识别声学特征建模关键技术-PushingModel技术。通过对基于最大似然估计的生成性GMM建模方法和基于最大互信息估计的鉴别性GMM建模方法的分析，推导了统一的语种识别GMM模型鉴别性训练框架，并将最新的PushingModel技术归纳到这一统一的训练框架。进一步引入largemargin思想，基于语种GMM模型鉴别性训练的统一框架，提出了基于最大混淆度的语种GMM模型鉴别性训练方法-LMPushing技术。基于LMPushing的语种识别系统的性能远好于基本的GMM语种识别系统的性能，表明归纳的统一框架的正确性和推广性。与不同的GMM模型鉴别性训练方法MMI和PushingModel比较，LMPushing鉴别性训练方法对测试语音时长变化更加稳健。 2.近年来，总变化量因子分析技术迅速成为语种识别及说话人识别的主流技术，本文独立地将总变化量因子分析技术和支持向量机结合引入语种识别。总变化量因子分析就是将语音数据用低维向量来表示，在低维空间进行鲁棒性学习，从而消除有害的信道信息，提高语种鉴别性。在传统的对于总变化量因子向量空间线性鉴别性分析的基础上，本文引入局部保留映射，利用局部保留映射对总变化量因子向量空间几何分布的学习，通过保留局部信息，使相同语种的向量更聚集，从而减小或消除有害的信道信息的影响，提高语种识别性能。进一步引入概率线性鉴别性分析，利用概率线性鉴别性分析较强的低维学习能力，减小或消除有害的信道信息，保留语种鉴别性信息，进一步提高语种识别的性能。 3.提出多重总变化因子分析的思想，充分利用语种训练数据的语种先验信息，估计更准确的表征语音数据语种信息的高斯超向量，结合总变化量因子分析对语音高斯超向量低维表征的优势，以多重总变化量因子向量更精细的表征语音数据的语种信息。多重总变化量因子分析进一步提高了声学建模语种识别系统的性能，成为我们所有语种识别系统性能表现最优的单系统。