基于MFCC和LSP混合的語音特征參數的技術研究

1、    摘  要  本文提出了一種基于MFCC（Mel Frequency Cepstral Coefficients）和LSP(Line Spectrum Pair)的混合語音特征參數，有效地彌補了單純使用MFCC的不足，實驗中利用加權的歐幾里德距離計算特征矢量的失真距離，結果表明新的特征矢量能夠很好的表征語音信號的特征信息，能有效降低系統(tǒng)的誤識率。     關鍵字  特征提取;  MFCC;  LSP;  歐幾里德距離 1  引言 

2、   隨著教學制度的深入改革，在英語教學中，人們越來越注重“聽”“說”這一類的實際交流能力，口語測試環(huán)節(jié)已經得到越來越多教育專家的關注，我們清醒地認識到，說的能力實際上也包括了對于聽和讀的能力訓練。在現代計算機多媒體技術與網絡技術飛速發(fā)展的前提下，很多英語教學系統(tǒng)的設置已經越來越科學化人性化，利用計算機輔助設計，評估英語發(fā)音者口語發(fā)聲質量已經成為教學中的重要一環(huán)。除了應用于教育背景之下，目前也有一些跨國公司，在招聘員工面試時采用了一種名為PhonePass SET的機制，就是通過一部電話機，在短短幾分鐘內，由機器對面試者的外語口語進行一次綜合測評。由此可見，口語測評已成為實

3、用外語中一項不可缺少的工作。    口語測試的評分一般分為兩種：一種是自動評分，一種為專家評分。目前我們進行的大量研究工作都是針對前一種的，希望盡可能脫離人的主觀因素對口語測試者的發(fā)音客觀評分，評分的客觀性表現在給出的分數只由被測者個人的表現決定，不會受到評分專家對于測試者的個人印象，特定環(huán)境下單個被測群體的平均水平限制，以及發(fā)音的個體性差異等因素影響。這就對我們的計算機輔助設計提出了很高的要求。我們主要用到的技術是語音識別和統(tǒng)計模型的相關理論，通過提取被測者語音信號的特征參數，計算機對其經過一系列數字信號處理，從而在統(tǒng)計模型中對它進行分析測評。因此，提取特征參數

4、的類型就顯得尤為重要了，目前應用最為廣泛的特征系數是Mel頻率倒譜參數（MFCC）。已經有大量實驗表明，較之其它類型參數，它能夠更好的反映人耳聽覺肌理的特征1。本文中以非線性的特征參數MFCC為主，結合了語音信號的另一個重要參數線譜對參數LSP，提出了一種語音特征參數的混合使用方法（M/L），使發(fā)音質量判決系統(tǒng)的正確率有所改進。2  特征提取    特征參量的選擇和提取對于實現語音識別系統(tǒng)有關鍵的意義，理想的特征參數必須用較少的特征維數包含盡可能多的語音特征信息。 2.1  MFCC特征參數    MFCC系數是基

5、于人耳的聽覺特性，所謂Mel 頻率尺度，它的值大體上對應于實際頻率的對數關系。其與實際頻率的具體關系如下：          （2-1）    其中實際頻率f 的單位為Hz 。根據Zwicker 的工作，臨界頻帶寬隨著頻率的變換而變化，并與Mel 頻率的增長一致。在1000 Hz 以下，大致呈線性分步，帶寬為100 Hz 左右；在1000 Hz 以上呈對數增長。類似于臨界帶的劃分，可以將語音頻率劃分為一系列三角形的濾波器序列，即美爾濾波器組。在Mel 濾波器的選擇中

6、，濾波器組的選擇一般都選擇三角形濾波器，可以根據不同的應用選擇其他的形狀如矩形、正弦形的濾波器組。濾波器的個數一般取24。當信號通過濾波器組時，取每個三角形濾波器頻率帶寬內所有信號幅度加權和作為每個帶通濾波器的輸出，然后對所有濾波器輸出做對數運算，最后進一步通過離散余弦變換降低特征矢量的維數，得到的參數就是美爾頻率倒譜參數(MFCC)2。        （2-2）    由于MFCC 更好的反映了人耳的聽覺系統(tǒng)的非線性特性，在參數的抗噪聲性能和提高系統(tǒng)的識別率方面具有優(yōu)勢，在實際應用中

7、還可以將MFCC 和其差分參數結合起來作為一組特征矢量進行訓練，進一步提高系統(tǒng)的抗噪聲性能。2.2  線譜對參數LSP    語音信號的譜特性，除了音調周期外，全部包含在線性預測系數LPC（Linear Predictor Analysis）里面了3。LSP即是線性預測系數的一種推演參數，定義為如下多項式的根：           （2-3）         

8、0;（2-4）各個根的頻率在單位圓上相互交錯排列，分布為：0<1<1<<p/z<p/z<， i和i分別為P(z)和Q(z)的第i個零點，它們總是成對的出現，且反映信號的頻譜特性，因此稱為線譜對?？傊€譜對分析是用p個離散頻率i和i的分布密度來表示語音信號頻譜特性的一種方法。LSP參數能夠反映聲道幅度譜的特點，在幅度大的地方分布較密，反之較疏，這樣就相當于反映出了幅度譜中的共振峰特征，在一定程度上可以起到特征補償作用。 近年來聲碼器研究實踐表明，LSP是一種具有良好的量化特性和插值特性的參數，因此，在中低速語音編碼和語音識別等領域中已經得到廣泛的應用。 2.

9、3  M/L特征參數    前面已經有學者為了進一步提高識別率，提出過MFCC/FORMANTS（共振峰）參數也有很好的識別性能5，但是求解共振峰的算法相對復雜。而且在求解共振峰的過程中，我們經常會采用的一種方法，就是利用LPC模型分析，提取LPC譜包絡線的重要信息來獲得。所以，我們很容易就想到用一種同樣能夠表征共振峰特性，而計算相對簡單的LPC推演參數LSP來取代共振峰參數。并且，也有文獻指出，LSP參數已經可以輔助MFCC參數，應用于對說話認識別的判決性條件1。基于以上的理論，在提取了MFCC一階差分系數和線譜對系數的基礎上，用MFCC來表征語音信號

10、的非線性特征，而用線譜對系數來輔助表征語音的線性特征，計算二者歸一化后的數值，并將它作為最終衡量語音信號失真的標準，是本文的重要思想。3  實驗分析及其結果3.1  檢驗方法    在本文中，我們主要采取了加權的歐幾里德距離來度量兩組特征矢量間的距離5。X=（x1，x2，xk）為參考模型的特征矢量，K代表參數的維數，Y=（y1，y2，yk）表示維數為K的被測模型特征矢量。標準的加權歐幾里德距離可用下式表示：           （3-1

11、）Wk為加權系數， 。3.2  語音訓練數據庫    本實驗基于一個自行開發(fā)的口語測試平臺，將語音識別的相關理論運用其中。我們利用了東方背單詞4和金山詞霸2005的單詞發(fā)音，分別建立了訓練庫中的兩個標準模板，實驗中的語音數據使用的采樣頻率為8000Hz，精度16位，單聲道，這三個參數在整個系統(tǒng)的實現過程中是一直不變的。 3.3  實驗分析    口語測試開發(fā)平臺的功能和原理簡述如下：口語測試者在語音訓練庫中，可任意選取語音樣本，根據聽到樣本的標準發(fā)音進行跟讀。系統(tǒng)在運行過程中，分別提取二者的特征信息，進行比對，通過計算標準模板和訓練模板特征參數之間的歐幾里德距離，判決發(fā)音質量。要求檢測系統(tǒng)能夠客觀、真實地對口語訓練者的發(fā)音質量做出評價，盡量降低誤判率。    依據以上的原