孫亞鵬，王嘯飛

（湖南科技大學(xué)計算機科學(xué)與工程學(xué)院，湘潭411201）

0 引言

隨著語音技術(shù)的迅速發(fā)展，語音庫作為其中的重要一環(huán)凸顯了越來越重要的作用。一個高質(zhì)量的語音庫，在語音應(yīng)用的各種重要領(lǐng)域，例如語音合成、語音識別、情緒感知、人機交互等，可以獲得更好的效果。

傳統(tǒng)的語音庫的構(gòu)建，需要經(jīng)過一系列的人工工作過程，例如文本處理、語料處理、語音錄制、語音處理、語音存儲等。使用傳統(tǒng)的構(gòu)建方法時，整個過程耗時長、受到地域限制多、花費大、人工處理誤差大一致性不好?？紤]到這些因素，結(jié)合現(xiàn)在正在蓬勃發(fā)展和普及應(yīng)用的Android 智能手機，可以開發(fā)一個基于智能手機的語音庫自動構(gòu)建的App。通過該App 可以在服務(wù)器端或者管理端預(yù)先設(shè)置好需要錄音的文本，然后用戶打開App 后，根據(jù)現(xiàn)實的文本，在提示下進行朗讀，獲得朗讀錄音后，進行濾波去除噪聲，然后進行語音的切分對齊，最后將一一對應(yīng)好的語音和文本存入語音庫。下面將進一步進行闡述。

1 文本處理

語音的發(fā)音是基于文字的，所以需要先確定好文本內(nèi)容和格式，App 可以設(shè)置多種格式文本進行顯示，可以是字、詞、句、段落和文章。在服務(wù)器端或者管理端，將需要朗讀錄音的文本，按照需要的格式進行錄入。完成后，用戶在App 上將看到按照設(shè)定的格式一個一個顯示的文本內(nèi)容，就可以在提示下進行錄音操作。

2 語音錄制

語音的錄制時語音庫構(gòu)建的一項關(guān)鍵性工作，其效果直接決定了語音庫的質(zhì)量高低。用戶在App 上的朗讀指定的文本進行語音錄制時，其操作簡單明了，在這個環(huán)節(jié)除了對用戶的錄制過程進行一定的指導(dǎo)外，還有一些工作可以提高語音錄制的效果。例如說在推廣App 的使用時，可以在選定特定的用戶群體上下一些功夫，若是錄制的是標準普通話，則可以分析用戶數(shù)據(jù)，更多的選定一些大學(xué)生、教師等一些群體進行推廣錄制；若是錄制的是某種方言，則選定這個方言的聚居區(qū)一定年紀的人群進行推廣錄制；若是要求的是女性或者男性語音用來做合成，也可以根據(jù)需要進行靈活選擇，以此為基礎(chǔ)，能夠完成一些專業(yè)化特色化語音庫的快速構(gòu)建。

3 語音濾波去噪

由于語音在錄制過程中是使用用戶智能手機的App 軟件在開放環(huán)境下進行錄制的，不是在錄音棚之類的專業(yè)環(huán)境下，所以很可能帶有一些噪聲，另外電子設(shè)備在工作環(huán)境下也會自帶噪聲干擾。對錄制的語音進行濾波去噪是一種必要的預(yù)處理操作。

在進行語音濾波去噪處理時，首先要進行的是將長段的語音數(shù)據(jù)分割為短段的語音數(shù)據(jù)，這是考慮長段的語音數(shù)據(jù)在統(tǒng)計上是不平穩(wěn)的，我們需要先將之處理為合適的平穩(wěn)的語音數(shù)據(jù)。在實踐中漢明窗和矩形窗經(jīng)常被用來處理這個問題，這里使用選擇漢明窗進行分幀處理。其分幀組幀處理如圖1 所示。

接下來需要進行參數(shù)估計，考慮到實時性要求，采用端點檢測法來區(qū)分語音段和噪聲段，通過兩段功率譜相減可以得到語音段的參數(shù)。

然后利用改進的卡爾曼濾波前期處理過的語音數(shù)據(jù)進行濾波，考慮到實際噪聲信號有色性，改進的卡爾曼濾波可以在有色噪聲情況下獲得更好的濾波效果。改進卡爾曼濾波的增益計算公式：K=PHT(HPHT+μR)-1其中當μ =1 時，就相當于白噪聲假設(shè)原始卡爾曼增益，因此改進后的公式更加適應(yīng)一般情形一些，更加具有普遍性。

4 語音的切分對齊

經(jīng)過去噪處理的語音，接下來要進行切分對齊處理，就是按照文本里的文字，和語音中的每個字的發(fā)音，進行一一對應(yīng)的切分對齊，使得每個字都對應(yīng)好自己的發(fā)音。整個過程中主要包括語句自動切分技術(shù)和音段自動切分技術(shù)。

在語句自動切分處理時，首先是隱馬爾可夫的訓(xùn)練和語音解碼，得到被處理語音的特征參數(shù)，對每個音素建立隱馬爾可夫,然后獲得音素的時間信息，對于語句的標點符號，采取音素sil 代表。最后根據(jù)語句的音素sil 的時間信息，將篇幅語音切分成句子語音。

在音段自動切分處理中結(jié)合隱馬爾可夫和維特比算法，使用維特比算法對語音信號和相應(yīng)文本進行強制對齊，可以取得較好的切分效果。過程如圖2 所示。

圖2 音段自動切分圖

完成語音和文本的切分對齊后，最后將語音數(shù)據(jù)和文本數(shù)據(jù)一一對應(yīng)存儲，建立索引，基本完成了語音庫建設(shè)。

5 結(jié)語

利用現(xiàn)在普及的移動智能手機和計算機技術(shù)構(gòu)建語音庫，相較于傳統(tǒng)的語音庫建設(shè)，在效率方面可以達到更加高效快速，在效果方面可以達到更加一致專業(yè)。不論是在建設(shè)大型、綜合性的語音庫，還是特殊、專業(yè)化的小型語音庫都不失為一種更好的途徑和選擇。