[论文解读] Spoken Language Identification Using Hybrid Feature Extraction Methods

Pawan Kumar, Astik Biswas+2 more|arXiv (Cornell University)|Mar 29, 2010

Speech Recognition and Synthesis参考文献 11被引用 33

一句话总结

本文提出一种混合特征提取方法，通过结合梅尔频率倒谱系数（MFCC）与感知线性预测（PLP），提出两种新型特征： Bark频率倒谱系数（BFCC）与修订感知线性预测（RPLP），用于语音语言识别（LID）。采用向量量化结合动态时间规整（VQ-DTW）与高斯混合模型（GMM）进行实验，结果表明，RPLP与GMM结合的识别准确率最高，优于两种分类器在MFCC与PLP特征上的表现。

ABSTRACT

This paper introduces and motivates the use of hybrid robust feature extraction technique for spoken language identification (LID) system. The speech recognizers use a parametric form of a signal to get the most important distinguishable features of speech signal for recognition task. In this paper Mel-frequency cepstral coefficients (MFCC), Perceptual linear prediction coefficients (PLP) along with two hybrid features are used for language Identification. Two hybrid features, Bark Frequency Cepstral Coefficients (BFCC) and Revised Perceptual Linear Prediction Coefficients (RPLP) were obtained from combination of MFCC and PLP. Two different classifiers, Vector Quantization (VQ) with Dynamic Time Warping (DTW) and Gaussian Mixture Model (GMM) were used for classification. The experiment shows better identification rate using hybrid feature extraction techniques compared to conventional feature extraction methods.BFCC has shown better performance than MFCC with both classifiers. RPLP along with GMM has shown best identification performance among all feature extraction techniques.

研究动机与目标

• 通过开发稳健的混合特征提取技术，提升语音语言识别（LID）性能。
• 探究将MFCC与PLP特征结合生成新型混合表示（如BFCC与RPLP）的有效性。
• 利用多种分类器（包括VQ-DTW与GMM）评估这些混合特征的性能。
• 确定最优特征-分类器组合，以最大化LID准确率。
• 证明在真实世界噪声或声学条件变化较大的环境中，混合特征优于传统MFCC与PLP。

提出的方法

• 作者从语音信号中提取MFCC与PLP特征，作为生成混合特征的基础组件。
• BFCC通过在对数功率谱上应用Bark尺度滤波器组生成，结合了感知特性和谱特征。
• RPLP通过改进PLP流程以增强谱包络估计，提升鲁棒性。
• 混合特征BFCC与RPLP通过结合MFCC与PLP生成，充分利用其互补优势。
• 采用两种分类器：基于模式匹配的向量量化结合动态时间规整（VQ-DTW），以及基于概率分类的高斯混合模型（GMM）。
• 通过标准LID指标评估性能，比较不同特征集与分类器的识别率。

实验结果

研究问题

• RQ1 结合MFCC与PLP的混合特征提取技术是否能提升语音语言识别准确率？
• RQ2 BFCC与RPLP特征在鲁棒性与可分性方面与传统MFCC与PLP相比如何？
• RQ3 在与混合特征配合使用时，VQ-DTW与GMM中哪种分类器表现更优？
• RQ4 RPLP与GMM的组合是否在LID任务中优于所有其他特征-分类器配置？
• RQ5 在真实世界声学可变条件下，混合特征在多大程度上提升了LID性能？

主要发现

• RPLP与GMM组合在所有测试的特征-分类器组合中达到最高的语言识别准确率。
• 与VQ-DTW或GMM搭配使用时，混合特征RPLP的表现优于MFCC与PLP。
• BFCC在性能上优于MFCC与PLP，但不及RPLP。
• GMM在所有特征类型中均持续优于VQ-DTW，表明其在建模复杂语音可变性方面更具优势。
• 将MFCC与PLP整合为RPLP显著提升了谱表示质量，从而增强了语言区分能力。
• 本研究证实，混合特征提取技术在鲁棒性与有效性方面均优于独立使用的MFCC或PLP。