4 測(cè)度估計(jì)

　　測(cè)度估計(jì)技術(shù)可以采用動(dòng)態(tài)時(shí)間彎折DTW、隱馬爾可夫模型HMM或人工神經(jīng)網(wǎng)ANN等算法，本項(xiàng)目采用國際上最先進(jìn)的HMM，這樣能夠比較容易的實(shí)現(xiàn)非特定人，而且系統(tǒng)結(jié)構(gòu)也比較靈活、一致。

　　根據(jù)描述的語音單位的大小，HMM可分為：基于整詞模型的HMM（Word based HMM）。其優(yōu)點(diǎn)為可以很好地描述詞內(nèi)音素協(xié)同發(fā)音的特點(diǎn)，建模過程也較為簡單。因此很多小詞匯量語音識(shí)別系統(tǒng)均采用整詞模型HMM.但在大詞匯量語音識(shí)別中由于所需建立的模型太多而無法使用。

　　基于子詞模型的HMM（Sub Word based HMM）。該類HMM描述的語音單位比詞小，如英語語音識(shí)別中的基本音素，漢語語音識(shí)別中的半音節(jié)等。其優(yōu)點(diǎn)為模型總數(shù)少，所以在大詞匯量語音識(shí)別中得到了廣泛的應(yīng)用。其缺點(diǎn)在于其描述詞內(nèi)協(xié)同發(fā)音的能力劣于整詞模型，但由于子詞模型已經(jīng)得到了非常充分的研究，所以近年來在很多小詞表應(yīng)用識(shí)別系統(tǒng)中也用了子詞模型。本技術(shù)方案采用基于半音節(jié)（即聲、韻母）的語音建模方法，其識(shí)別模型拓?fù)浣Y(jié)構(gòu)如圖3 所示，其中靜音HMM采用1個(gè)狀態(tài)，每一聲母模型采用2個(gè)狀態(tài)，每一韻母模型采用4個(gè)狀態(tài)。

　　圖3 識(shí)別模型拓?fù)浣Y(jié)構(gòu)

　　根據(jù)輸出概率分布的不同，HMM（隱含馬爾科夫模型）可分為：

　　離散HMM（Discrete HMM，DHMM）。其輸出概率是基于一套碼本的離散概率分布，其優(yōu)點(diǎn)在于由于實(shí)現(xiàn)了存儲(chǔ)量和計(jì)算量都較小，所需的訓(xùn)練語音也較少，但其矢量量化的過程會(huì)造成性能的損失。

　　連續(xù)HMM（Continuous Density HMM，CDHMM）。其輸出概率是連續(xù)概率密度函數(shù)（一般是高斯混合密度函數(shù)）。其所需的訓(xùn)練語音較多，模型參數(shù)存儲(chǔ)量和計(jì)算量都較大，在訓(xùn)練語音足夠時(shí)，其性能優(yōu)于DHMM.

　　半連續(xù)HMM（Semi Continuous HMM，SCHMM）。SCHMM是DHMM和CDHMM的折衷，與DHMM相似，其輸出為一套碼本，但每個(gè)碼字均為一個(gè)連續(xù)概率密度分布函數(shù)，這一點(diǎn)與CDHMM相近。其性能和所需的訓(xùn)練語音等均介于DHMM和CDHMM之間。

　　考慮到漢語數(shù)碼語音所需的模型較少，很容易獲得足夠多的訓(xùn)練語音，因此本技術(shù)方案采用了CDHMM為語音模型。

　　狀態(tài)輸出概率分布為混合高斯密度函數(shù)。其各分量計(jì)算如下：

　　總的概率輸出即為各分量的加權(quán)和：

　　式中：s表示當(dāng)前狀態(tài)；M為混合分量數(shù)；u，Σ ，c分別為各混合分量的均值矢量、協(xié)方差矩陣和混合分量系數(shù)。

　　該算法利用Viterbi譯碼的過程進(jìn)行幀同步的搜索，易于實(shí)時(shí)實(shí)現(xiàn)，也容易納入語法信息。考慮到系統(tǒng)的實(shí)時(shí)實(shí)現(xiàn)性，本技術(shù)方案采用Viterbi譯碼作為系統(tǒng)的搜索算法。

　　5 試驗(yàn)結(jié)果

　　在漢語全音節(jié)與詞組混合的語音識(shí)別任務(wù)中，得到的初步實(shí)驗(yàn)結(jié)果為：PC微機(jī)浮點(diǎn)算法條件下正確覆蓋率不低于98%，定點(diǎn)算法的正確覆蓋率不低于97%。DSP嵌入系統(tǒng)定點(diǎn)條件下正確覆蓋率不低于96%。系統(tǒng)的響應(yīng)時(shí)間滿足實(shí)時(shí)識(shí)別的要求。通過測(cè)試組嚴(yán)格的檢查及抽樣測(cè)試，證明上述結(jié)果真實(shí)可靠，該輸入法基本達(dá)到實(shí)用化要求。

　　6 結(jié)語

　　語音漢字輸入技術(shù)的研發(fā)是具有重大經(jīng)濟(jì)和社會(huì)意義的課題，該項(xiàng)目采用孤立語音的全音節(jié)和詞組的混合識(shí)別模式，使用連續(xù)概率分布非特定人的聲學(xué)模型，并輔以多候選的人機(jī)交互方式，較好地實(shí)現(xiàn)了在移動(dòng)（便攜式）電子設(shè)備上資源有限的條件下方便快捷的漢字語音輸入。