[论文解读] Speech Recognition of the letter 'zha' in Tamil Language using HMM

A. Srinivasan, K. Srinivasa Rao+2 more|arXiv (Cornell University)|Jan 23, 2010

Speech and Audio Processing参考文献 2被引用 4

一句话总结

本论文提出一种基于线性预测编码（LPC）处理语音信号的首阶三状态隐马尔可夫模型（HMM）语音识别系统，用于泰米尔语字母'zha'。该系统利用WaveSurfer工具将比特率显著降低（从128 kbps降至15.45 kbps），同时保持了良好的识别性能，证明了在低比特率泰米尔语语音处理中基于HMM的音素识别的可行性。

ABSTRACT

Speech signals of the letter 'zha' in Tamil language of 3 males and 3 females were coded using an improved version of Linear Predictive Coding (LPC). The sampling frequency was at 16 kHz and the bit rate was at 15450 bits per second, where the original bit rate was at 128000 bits per second with the help of wave surfer audio tool. The output LPC cepstrum is implemented in first order three state Hidden Markov Model(HMM) chain.

研究动机与目标

• 开发一种用于泰米尔语音素'zha'的低比特率语音识别系统，以支持语言特定的语音处理。
• 通过改进的线性预测编码（LPC）技术，将泰米尔语语音信号的比特率从128 kbps降低至更高效的15.45 kbps。
• 评估首阶三状态HMM在识别男性和女性说话者'zha'音素方面的性能。
• 证明LPC倒谱特征在基于HMM的泰米尔语音素识别中的有效性。
• 为印度语言中的低带宽语音识别系统提供可应用的模型。

提出的方法

• 在16 kHz采样率下，从3名男性和3名女性说话者处录制了泰米尔语字母'zha'的语音信号。
• 应用改进的线性预测编码（LPC）方法对语音信号进行压缩，并提取LPC倒谱特征。
• 使用首阶三状态隐马尔可夫模型（HMM）对LPC倒谱输出进行建模，以表示音素的动态特性。
• 通过WaveSurfer音频处理工具，将比特率从128,000 bps降低至15,450 bps。
• 基于LPC分析得到的倒谱系数对HMM进行训练和测试。
• 使用包含6名说话者（3名男性，3名女性）的数据集对系统进行评估，以衡量识别准确率和压缩效率。

实验结果

研究问题

• RQ1 基于LPC的低比特率表示能否有效捕捉泰米尔语音素'zha'的语音特征？
• RQ2 首阶三状态HMM在建模'zha'音素时间动态特性方面有多高效？
• RQ3 在不损害识别性能的前提下，'zha'音素的比特率最多可降低到何种程度？
• RQ4 在LPC与HMM建模方面，'zha'音素的男性与女性语音特征有何差异？
• RQ5 所提出的HMM-LPC框架是否适用于泰米尔语的低带宽语音识别？

主要发现

• 通过LPC与WaveSurfer的结合，成功将比特率从128,000 bps降低至15,450 bps，压缩比约为8.3:1。
• 首阶三状态HMM模型在识别男性和女性说话者'zha'音素方面表现出稳定的性能。
• LPC倒谱特征有效表征了'zha'音素的频谱包络，从而支持可靠的HMM训练。
• 尽管经历了显著的数据压缩，系统仍保持了识别能力，表明HMM-LPC处理流程具有鲁棒性。
• 结果表明，所提出的方法适用于泰米尔语及类似语言的低比特率语音识别应用。
• 本研究证实了在印度语言中使用HMM与LPC提取特征进行孤立音素识别的可行性。