[论文解读] Automatic Speech Recognition Using Template Model for Man-Machine Interface

Neema Mishra, Urmila Shrawankar+1 more|arXiv (Cornell University)|May 9, 2013

Speech Recognition and Synthesis参考文献 6被引用 5

一句话总结

本文提出一种基于模板的自动语音识别（ASR）系统，用于人机交互，采用梅尔频率倒谱系数（MFCC）进行特征提取，使用动态时间规整（DTW）进行模式匹配。该方法通过模板匹配实现对孤立词的鲁棒识别，在控制环境下的人机交互场景中表现出色，重点在于简单性和低计算成本。

ABSTRACT

Speech is a natural form of communication for human beings, and computers with the ability to understand speech and speak with a human voice are expected to contribute to the development of more natural man-machine interfaces. Computers with this kind of ability are gradually becoming a reality, through the evolution of speech recognition technologies. Speech is being an important mode of interaction with computers. In this paper Feature extraction is implemented using well-known Mel-Frequency Cepstral Coefficients (MFCC).Pattern matching is done using Dynamic time warping (DTW) algorithm.

研究动机与目标

• 开发一种低复杂度、基于模板的自动语音识别系统，用于实际的人机接口应用。
• 评估MFCC特征与DTW在实时环境下孤立词识别中的有效性。
• 为小词汇量语音识别任务提供一种计算效率高的替代复杂统计模型的方法。
• 展示基于模板匹配的DTW在嵌入式或资源受限系统中实现可靠语音输入的可行性。

提出的方法

• 使用梅尔频率倒谱系数（MFCC）进行特征提取，这是捕捉语音频谱包络特征的标准技术。
• 将每个语音单词转换为固定长度的MFCC特征向量，以表示其频谱特征。
• 通过存储用户说出的已知单词的MFCC向量，构建参考模板数据库。
• 使用动态时间规整（DTW）算法进行模式匹配，以对齐并比较输入语音与存储的模板。
• 选择与输入信号DTW距离最小的单词作为识别输出。
• 系统通过逐帧处理输入语音并增量计算匹配得分，实现实时运行。

实验结果

研究问题

• RQ1 基于MFCC和DTW的模板化ASR系统能否在人机接口中实现对孤立词的可靠识别？
• RQ2 与其它模式匹配技术相比，基于DTW的匹配在准确性和鲁棒性方面表现如何？
• RQ3 该系统在语音速率和说话人特征变化方面具有多大容忍度？
• RQ4 该方法在实时嵌入式环境中的计算效率如何？

主要发现

• 在受控条件下，使用MFCC和DTW的系统对孤立词实现了高识别准确率。
• DTW有效处理了语音中的时间差异，如语速不同。
• 当每个单词使用多个样本进行训练时，基于模板的方法对说话人差异表现出鲁棒性。
• 该方法计算效率高，适合在资源受限环境中部署。