计算机应用

作者：孙林嘉, 秦磊, 康美金, 王莹琳

单位：北京语言大学 语言科学院，北京 100083

关键词：语音分割,音节类型,声学模型,多频带分析,特征融合

基金：中国语言资源保护工程专项(YB2005B004);中央高校基本科研业务费专项(23YJ170009)

基于边界检测的方法侧重利用时域和频域的突变来将语音数据切分成音节单元，较少关注语言知识在分割中发挥的作用。同时，此类方法通常需要设置各项参数以获得满意的分割结果，致使这些方法在大数据量和跨语言的环境下存在稳定性差、调整参数难和泛化能力弱的缺点。针对上述问题，提出一种基于音节类型识别的自动语音分割算法。该算法的特点在于所要识别的对象是语音数据中的音节类型，而非具体的音节内容。首先，利用语言学研究成果和音节构成规律获得不同语言在自然发音下较通用的音节类型；其次，采用经典的高斯混合模型（GMM）和隐马尔可夫模型（HMM）为每种音节类型构建声学模型；另外，为了更好地描述音节属性，提出一种基于多频带分析和显著信息融合的特征提取通道；最后，在所识别音节类型序列的基础上，使用维特比算法确定对应音节起止点的语音帧。在实验阶段利用3种常见语言的语音数据训练得到音节类型的声学模型，再在6种语言和方言上进行识别实验。实验结果表明，所提算法的平均识别准确率至少达到了91.93%；与使用梅尔频率倒谱系数（MFCC）相比，使用所提特征获得的平均识别准确率至少提升了27.16个百分点；当容差阈值为20 ms时，在6种语言和方言上依然可以取得90.70%以上的平均分割准确率；相较于近年来有代表性的4种算法，所提算法的平均分割准确率至少提升了5.73个百分点。以上说明所提算法具有较强的泛化能力、较好的稳定性和较高的分割准确率。

来源：2025年第6期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第6期