極小化標注的音頻分類和句子切分的研究.pdf

1、語音庫的自動建設在可訓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行類別的區(qū)分來進行不同的處理,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是解決這一問題的關鍵。此外,已有的音頻分類和句子切分技術都需要大量的人工標注數據來訓練模型和測試分類結果,但人工標注費時費力,很大程度上增加了系統(tǒng)構建的成本。在這種背景下,極小化標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、極小化標注、關鍵技術改進以及相關技術應用,進行了深入而系統(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容,根據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參數等基礎特征,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)同訓練算法co-training在極小化標注數據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)為實現極小化標注,深入研究了基于最大熵(Maxent)分類的協(xié)同訓練算法co-training。Co-trainig是實現極小

4、化標注的核心,通過研究比較了不同參數設置對分類精度的影響,綜合時間代價及計算代價進行分析,確定了性能最優(yōu)的一組參數。同時,針對音頻分類和句子切分的數值分類方式,對Maxent分類器的分類方式進行調整。通過實驗證明了co-training算法在極小化可用的人工標注數據量和二元分類方面的性能,為極小化標注的音頻分類和句子切分的實現提供了堅實的基礎。
　　 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,據此對音頻進行幀水平上的元音/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,對音頻進行基于語義的句子切分。為了實現句子切分的無標注特性,引入一種基于強制對齊和語音識別的帶有檢錯機制的標注數據生成方法用于自動提供標注數據,并采用基于最大熵分類的co-training算法,解決了標注數據不足對分類精度的影響,實現了無標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