[论文解读] Techniques for Feature Extraction In Speech Recognition System : A Comparative Study

Urmila Shrawankar, V. M. Thakare|arXiv (Cornell University)|May 6, 2013

Speech and Audio Processing参考文献 18被引用 105

一句话总结

本文对几种主流的语音特征提取技术——MFCC、LPC、PLP 和 LPCCEP 进行了比较分析，评估了它们在语音识别系统中的有效性。通过分析倒谱包络和感知特性，研究结果表明，MFCC 和 PLP 在识别准确率方面优于 LPC 和 LPCCEP，这得益于其对噪声的强鲁棒性以及对人类听觉感知的更好建模。

ABSTRACT

The time domain waveform of a speech signal carries all of the auditory information. From the phonological point of view, it little can be said on the basis of the waveform itself. However, past research in mathematics, acoustics, and speech technology have provided many methods for converting data that can be considered as information if interpreted correctly. In order to find some statistically relevant information from incoming data, it is important to have mechanisms for reducing the information of each segment in the audio signal into a relatively small number of parameters, or features. These features should describe each segment in such a characteristic way that other similar segments can be grouped together by comparing their features. There are enormous interesting and exceptional ways to describe the speech signal in terms of parameters. Though, they all have their strengths and weaknesses, we have presented some of the most used methods with their importance.

研究动机与目标

• 评估并比较主流语音特征提取技术在语音识别系统中的性能。
• 基于识别准确率和抗噪性，识别最有效的特征提取方法。
• 分析每种方法在捕捉感知相关语音特性方面的优缺点。
• 为实际语音识别应用中选择最优特征提供实用指导。

提出的方法

• 使用梅尔刻度滤波器组和离散余弦变换（DCT）提取梅尔频率倒谱系数（MFCC）。
• 应用线性预测编码（LPC）通过线性预测建模语音样本的倒谱包络。
• 通过应用 Bark 刻度展宽和临界带通滤波，计算感知线性预测（PLP）特征，以模拟人类听觉感知。
• 使用 LPCCEP 将 LPC 系数与倒谱系数结合，以改善谱表示。
• 利用标准语音识别基准测试特征，比较识别准确率和对噪声的敏感性。
• 在特征提取前，对原始语音波形应用预加重和分帧处理。

实验结果

研究问题

• RQ1 在不同噪声条件下，MFCC、LPC、PLP 和 LPCCEP 在识别准确率方面如何比较？
• RQ2 哪种特征提取方法最能捕捉对识别任务有感知意义的语音信息？
• RQ3 在计算复杂度和鲁棒性方面，每种方法的相对优缺点是什么？
• RQ4 倒谱包络建模和感知加权如何影响识别性能？
• RQ5 哪种特征集在不同语音信号和环境条件下提供了最稳定的表示？

主要发现

• MFCC 和 PLP 在识别准确率方面优于 LPC 和 LPCCEP，尤其在噪声环境中表现更优。
• 在背景噪声较高的场景中，PLP 表现优于 MFCC，这得益于其感知加权和临界带通滤波。
• LPC 和 LPCCEP 对谱变化更敏感，在噪声和说话人差异方面鲁棒性较差。
• MFCC 在不同数据集上实现了计算效率与识别性能的最佳平衡。
• 使用梅尔刻度和 Bark 刻度展宽显著改善了特征表示，使其更符合人类听觉感知。
• 整合感知掩蔽效应（如 PLP）的特征提取方法在不同说话人和录音条件下表现出更一致的结果。