極小化標(biāo)注的音頻分類和句子切分的研究.pdf

1、語音庫的自動建設(shè)在可訓(xùn)練的語音合成中占有很重要的地位,它要求對輸入的音頻進(jìn)行類別的區(qū)分來進(jìn)行不同的處理,并將處理后的音頻分割為句子作為后續(xù)的音段切分系統(tǒng)的輸入。音頻分類和句子切分技術(shù)是解決這一問題的關(guān)鍵。此外,已有的音頻分類和句子切分技術(shù)都需要大量的人工標(biāo)注數(shù)據(jù)來訓(xùn)練模型和測試分類結(jié)果,但人工標(biāo)注費時費力,很大程度上增加了系統(tǒng)構(gòu)建的成本。在這種背景下,極小化標(biāo)注的音頻分類和句子切分的研究有很高的理論研究及使用價值。對此,本論文在基于內(nèi)容

2、的音頻分類和不依賴語音識別的句子切分方面,包括特征選擇、極小化標(biāo)注、關(guān)鍵技術(shù)改進(jìn)以及相關(guān)技術(shù)應(yīng)用,進(jìn)行了深入而系統(tǒng)的研究,本論文具體的研究工作和研究成果如下。
　　 1)深入分析了音頻信息的主要來源和音頻的語義內(nèi)容,根據(jù)所采用的新聞朗讀音頻的特點,將音頻分為:純語音,純音樂和音樂和語音的混合三類。從幀層次上和段層次上深入研究了不同類別音頻之間的區(qū)別性特征,除了頻域能量、過零率、MFCC參數(shù)等基礎(chǔ)特征,還采用了新的特征:靜音比率、

3、High-ZCR比率和Low frequency energy比率。本文的一個創(chuàng)新點是,通過深入分析協(xié)同訓(xùn)練算法co-training在極小化標(biāo)注數(shù)據(jù)量并保證分類精度方面的優(yōu)勢,采用基于最大熵分類的co-training算法進(jìn)行音頻分類。通過實驗證明了co-training在音頻分類上的性能。
　　 2)為實現(xiàn)極小化標(biāo)注,深入研究了基于最大熵(Maxent)分類的協(xié)同訓(xùn)練算法co-training。Co-trainig是實現(xiàn)極小

4、化標(biāo)注的核心,通過研究比較了不同參數(shù)設(shè)置對分類精度的影響,綜合時間代價及計算代價進(jìn)行分析,確定了性能最優(yōu)的一組參數(shù)。同時,針對音頻分類和句子切分的數(shù)值分類方式,對Maxent分類器的分類方式進(jìn)行調(diào)整。通過實驗證明了co-training算法在極小化可用的人工標(biāo)注數(shù)據(jù)量和二元分類方面的性能,為極小化標(biāo)注的音頻分類和句子切分的實現(xiàn)提供了堅實的基礎(chǔ)。
　　 3)通過對依賴語音識別的句子切分方法的缺點的分析,深入研究韻律特征對句子切分的

5、重要作用,據(jù)此對音頻進(jìn)行幀水平上的元音/輔音/停頓的分類,并采用了韻律特征、停頓特征和語速兩個特征集,對音頻進(jìn)行基于語義的句子切分。為了實現(xiàn)句子切分的無標(biāo)注特性,引入一種基于強(qiáng)制對齊和語音識別的帶有檢錯機(jī)制的標(biāo)注數(shù)據(jù)生成方法用于自動提供標(biāo)注數(shù)據(jù),并采用基于最大熵分類的co-training算法,解決了標(biāo)注數(shù)據(jù)不足對分類精度的影響,實現(xiàn)了無標(biāo)注的不依賴識別的句子邊界探測。最后,針對無法確定探測出的句子邊界是否為真正的邊界的問題,提出一種檢