采用聲調(diào)基頻特征的民族語聲調(diào)識別

龍潤田

（首都師范大學(xué) 文學(xué)院，北京100089）

一、引言

普通話、漢語方言及大部分分布在中國南方的少數(shù)民族語言均具有聲調(diào)。這些語言的聲調(diào)具有很強的別義能力。在語音信號處理中，聲調(diào)作為語音的重要組成部分，其對于聲調(diào)的識別及合成研究亦具有重要的意義。

對于聲調(diào)識別，利用聲調(diào)與基音頻率間的關(guān)系實現(xiàn)語音的識別已成為研究者們的共識。常用的語音識別方法包括隱馬爾科夫模型（HMM）[1-2]，神經(jīng)網(wǎng)絡(luò)[3-4]，支持向量機（SVM）[5-6]以及特征聚類[7]等。對于HMM、神經(jīng)網(wǎng)絡(luò)以及SVM而言，這3類方法均需要在識別前進行聲調(diào)模型的訓(xùn)練或設(shè)計分類器來對未知聲調(diào)進行識別。對于特征聚類的聲調(diào)識別，則通過不同聲調(diào)間參數(shù)的區(qū)分性，利用聲調(diào)特征進行聚類分析達到聲調(diào)識別的目的。除了識別算法外，聲調(diào)識別特征也是聲調(diào)識別的重要組成部分，目前的聲調(diào)識別特征主要包括語音聲學(xué)特征[1,2,6]、基頻特征[5,8]等。常用的特征包括基音頻率、短時能量以及基頻衍生的幾何特征，如基頻的長度、斜率、最值等。

對聲調(diào)的研究，語言學(xué)研究者更關(guān)注聲調(diào)的調(diào)類歸并、劃分及其歷史演變過程。但從田野調(diào)查中獲取的語音材料，在未經(jīng)聽辨記音的情況下，往往不可能獲知其到底具有幾個聲調(diào)，這時，采用模型訓(xùn)練的方法，并不能夠較為迅速準確地獲取聲調(diào)的類別和調(diào)值。對于特征聚類的識別方法，在聚類分析前一般需要事先給定聚類類別的數(shù)目，在不知道確切的聲調(diào)類別數(shù)目時，將會給聚類識別帶來較大的困難。同時，語言田野調(diào)查的錄音數(shù)據(jù)，常常不局限于一種語言。采用模型訓(xùn)練、設(shè)計分類器的方法，在轉(zhuǎn)化語言后又需要重新訓(xùn)練模型、設(shè)計分類器，時效性較差。

針對以上問題，文章從基頻曲線的區(qū)分特征出發(fā)，提出了一種基于基頻特征的聲調(diào)聚類識別方法。根據(jù)不同的語言調(diào)查情況采用不同的聚類算法對提取的基頻特征進行無監(jiān)督自動分析聚類，以獲得聲調(diào)識別的結(jié)果，同時在此方法的基礎(chǔ)上建立了少數(shù)民族語單音節(jié)聲調(diào)識別系統(tǒng)。相較于針對單一語言的聲調(diào)識別系統(tǒng)，本系統(tǒng)可適用于絕大多數(shù)聲調(diào)語言的聲調(diào)識別標注。

二、聲調(diào)與基頻特征

大多數(shù)語音的原始數(shù)據(jù)是難以直接被計算機系統(tǒng)處理分析的，需要提取一些合適的表征特征來表示原始的語音數(shù)據(jù)。對于語音聲波本身包括了許多的干擾因素和冗余信息，例如，噪音干擾、電流干擾等。很多的語音信息蘊含在語音信號中，需要進行處理才能顯現(xiàn)。這時直接采用語音信號波形進行語音聲調(diào)識別分析并不現(xiàn)實。必須對語音信號選取相應(yīng)特征，剔除語音中不必要信息以提高語音聲調(diào)識別的準確性。

在聲調(diào)研究中，不同的研究針對聲調(diào)描述方法各不相同，王士元根據(jù)區(qū)別性特征理論使用曲、高、央、中、升、降、凸七類對聲調(diào)進行描述[9]，沈炯和劉俐李采用音區(qū)特征和曲拱特征描述聲調(diào)[10-11]，朱曉農(nóng)提出了分域四度標調(diào)法[12-13]，金健等則從音高、調(diào)形凹凸、平拱時長及斜率的角度描述聲調(diào)[14]。在聲調(diào)識別中，彭剛、王士元提取了20種不同的特征來對廣東話的聲調(diào)進行識別[5]，宋剛、姚艷紅則利用基頻曲線的9種不同特征進行普通話的基頻擬合與識別[8]。

本文對聲調(diào)曲線提取了10類不同的特征，分別是：（1） 基頻起始點和終止點的幅度差（音高變化），（2） 基頻曲線長度（時長），（3） 基頻的最大值，（4） 基頻最小值，（5） 基頻曲線極值點（拐點）， （6） 極值點前基頻曲線的斜率，（7） 極值點以后基頻曲線的斜率，（8） 極值點前段基頻曲線的變化幅度，（9） 極值點后段基頻曲線的變化幅度，（10） 基頻的均值。該10類聲調(diào)曲線特征基本涵蓋了前述研究者所用的區(qū)分特征，并能夠較為完整合理地描述基頻曲線的變化。

三、聲調(diào)識別系統(tǒng)

一個完整的聲調(diào)聚類識別系統(tǒng)如圖1所示?；诼晫W(xué)特征參數(shù)的聲調(diào)聚類識別標注系統(tǒng)大致可分為參數(shù)提取和特征聚類識別兩個部分。

圖1 基于聲學(xué)特征參數(shù)聚類的聲調(diào)識別系統(tǒng)

在數(shù)據(jù)特征參數(shù)提取階段，首先需要對語音信號進行預(yù)處理，提取語音中的有聲段。由于聲調(diào)特征主要蘊藏在語音音節(jié)的韻母段中，因此在提取語音有聲段后，還需要進行聲韻的切分工作，而提取韻母段。對于聲韻切分而言，其精確程度決定了所提取的聲調(diào)基頻曲線的準確度。在進行聲韻切分后，采用STRAIGHT分析算法[15]提取語音的基頻曲線。在獲得基頻曲線后，由于多數(shù)聲調(diào)中均存在彎頭降尾，因此還需要對所提取的基頻曲線剔除掉彎頭降尾的影響。彎頭降尾的剔除包括錯誤基頻的處理和彎頭降尾的處理兩個部分。剔除彎頭降尾影響后的聲調(diào)基頻曲線即可看作為聲調(diào)的調(diào)型曲線。對于處理后的基頻曲線，采用線性擬合的方法進行規(guī)整處理，提取10類基頻特征用于聲調(diào)的特征識別。在本系統(tǒng)中，10類特征均是在擬合曲線上獲取的。因此，擬合曲線和原始基頻曲線的相似度會對最終的聲調(diào)識別結(jié)果產(chǎn)生很大的影響。

在特征識別階段，首先需要對每條聲調(diào)基頻曲線所提取的10類特征進行規(guī)整處理，將所有的特征放在同一度量下進行識別聚類，以防止奇異特征的參量過大導(dǎo)致聲調(diào)識別錯誤。對特征進行規(guī)整處理后，即可根據(jù)需要對聲調(diào)數(shù)據(jù)進行無監(jiān)督的聚類識別。對于聲調(diào)的聚類識別可以分為兩種，當知道聲調(diào)的正確分類數(shù)目時，采用K-means 聚類對數(shù)據(jù)進行快速的聚類識別。當不知道聲調(diào)類別時，則可通過AP聚類算法[16]進行聲調(diào)的無監(jiān)督自動聚類識別。對獲得的識別結(jié)果，則可通過聽辨類內(nèi)的極小部分語音或在聲調(diào)調(diào)域內(nèi)直接觀察即可確定聲調(diào)調(diào)值，據(jù)此給語音數(shù)據(jù)進行聲調(diào)標注。

四、民族語聲調(diào)識別測試

少數(shù)民族語和漢語方言的聲調(diào)識別標注測試采用已完成記音標注的語料進行。在聲調(diào)識別測試中，將所有語料的標注信息去除后進行無監(jiān)督的語音聲調(diào)識別，將識別結(jié)果與標注信息比較計算識別正確率。

本文采用的語音聲調(diào)識別語料。由“斐風(fēng)”田野調(diào)查錄音軟件錄制，包括：侗語邦寨話、壯語橫縣話、粵語廣州話、湘語長沙話共4種語言，每種語言包括700～3000個不等的單音節(jié)詞，覆蓋所有聲韻及聲調(diào)類型。其中侗語、壯語、湘語的發(fā)音人為男性，廣州話的發(fā)音人為女性。語料錄音的采樣頻率為44100Hz，16bit量化，單聲道波形文件。所有語音全部由專業(yè)語言研究者進行聽辨校驗，保證記音的準確性。

（一） 侗語邦寨話聲調(diào)識別結(jié)果

邦寨侗語共有9個舒聲調(diào)、6個促聲調(diào)。其中促聲調(diào)的8調(diào)和9’調(diào)、9調(diào)和10調(diào)的調(diào)值相同，6個調(diào)類實際歸并為4個調(diào)值[17]。后文為了敘述簡便，我們將8調(diào)和9’調(diào)全部標記為8調(diào)，9調(diào)和10調(diào)全部標記為9調(diào)。邦寨侗語在調(diào)型上包含5個平調(diào)，3 個升調(diào)和1個降調(diào)。根據(jù)本文所述方法對所有邦寨侗語語料進行已知聲調(diào)類別的聚類識別。

其聲調(diào)識別率如表1所示?？v向為聚類所得調(diào)類調(diào)值，橫向為聽辨記音的調(diào)類調(diào)值。大體上，聚類結(jié)果與聽辨記音結(jié)果相類似，錯誤聚類結(jié)果較少，歸類錯誤的聲調(diào)主要集中在兩個聲調(diào)的交叉重合區(qū)域內(nèi)。識別錯誤的情況主要存在于兩個相似聲調(diào)的重合區(qū)域。例如低平調(diào)1’調(diào)（調(diào)值11）、2 調(diào)（調(diào)值22） 存在相互識別的情況，同樣，高平調(diào)3調(diào)（調(diào)值33）、5調(diào)（調(diào)值55）、6調(diào)（調(diào)值44） 以及促聲調(diào)7’調(diào)（調(diào)值55） 也存在類似現(xiàn)象。其原因在于相互識別的聲調(diào)，其調(diào)型相同或相似，僅存在音高（基頻） 上的差異。

表1 侗語邦寨話聲調(diào)聚類識別結(jié)果表

（二） 壯語橫縣話聲調(diào)識別結(jié)果

橫縣壯語中共有10個聲調(diào)，其中舒聲調(diào)6個，促聲調(diào)4個。包含平調(diào)6個、降調(diào)2個和升調(diào)2個。對其進行自動分類的聲調(diào)識別，系統(tǒng)給出的最終聚類結(jié)果為10類，其基頻分布也與傳統(tǒng)音位學(xué)調(diào)類相一致。

橫縣壯語的聲調(diào)基頻的聚類識別率如表2所示：縱向為聚類所得調(diào)類，橫向為聽辨記音的調(diào)類。大體上，聚類結(jié)果與聽辨記音結(jié)果相類似，錯誤聚類結(jié)果較少。對于識別錯誤的情況。發(fā)現(xiàn)在橫縣壯語中，平調(diào)的識別率最低，降調(diào)的識別率最高。究其原因，主要是在橫縣壯語的聲調(diào)系統(tǒng)中，平調(diào)的個數(shù)占了60%。在平調(diào)中，存在3調(diào)（調(diào)值33）、4調(diào)（調(diào)值22） 這樣的低平調(diào)和5調(diào)（調(diào)值55） 這樣的高平調(diào)。對于兩個低平調(diào)，其調(diào)型差異較小，特征差異主要來自于聲調(diào)音高差異（基頻值）。類似的，對于1調(diào)（調(diào)值35） 和2調(diào)（調(diào)值13） 也有類似的情況，導(dǎo)致其聚類識別率較低。

表2 橫縣壯語聲調(diào)聚類識別結(jié)果表

（三） 粵語廣州話的聲調(diào)識別結(jié)果

廣州話有9個聲調(diào)。在作單字音研究時廣州話描寫為11個聲調(diào)。與9調(diào)描述相比其陰平調(diào)被劃分為上陰平和下陰平，同時在入聲中增加了一個變?nèi)隱18]。11調(diào)的廣州話聲調(diào)系統(tǒng)中，共有7個舒聲調(diào)、4 個促聲調(diào)。從調(diào)型上看，有平調(diào)3個、升調(diào)2 個、降調(diào)2個。不考慮入聲區(qū)別僅從調(diào)型上來分，廣州話可以分為7類。使用本文所述方法對廣州話所有單音節(jié)詞語料提取相應(yīng)的特征參數(shù)并進行聚類識別。針對于調(diào)型的聲調(diào)識別結(jié)果如下：

在采用的廣州話語料中，調(diào)型為平調(diào)的33調(diào)、22 調(diào)以及23調(diào)、21調(diào)的識別率較低，其原因在于33調(diào)與22調(diào)均為平調(diào)調(diào)型，且其在調(diào)域內(nèi)相對接近，很容易將22調(diào)識別為33調(diào)判斷識別為33調(diào)，對于22調(diào)和21調(diào)以及23調(diào)和33調(diào)也存在類似的情況。

表3 廣州話聲調(diào)調(diào)型聚類識別結(jié)果表

（四） 湘語長沙話的聲調(diào)識別結(jié)果

長沙話屬于湘語長益片長沙方言，共有6個聲調(diào)。分別是陰平（調(diào)值33）、陽平（調(diào)值13）、上聲（調(diào)值41）、陰去（調(diào)值55），陽去（調(diào)值11）和入聲（調(diào)值24）。其中陰去的實際調(diào)值為45，陽去的實際調(diào)值為21。使用上述方法進行聲調(diào)自動分類識別分析，最終獲得6類分析識別結(jié)果，其基頻分布也與傳統(tǒng)音系學(xué)的調(diào)類相一致。

在長沙話的聲調(diào)識別結(jié)果中，調(diào)型相近或者相似的幾個聲調(diào)的聲調(diào)識別率較低。在調(diào)域中，33 調(diào)的調(diào)型和調(diào)值都與24調(diào)13調(diào)較為相似，這使得計算機在進行特征分析判斷的時候極有可能出現(xiàn)誤判。類似的，13調(diào)也有很多被誤判為33 調(diào)。

表4 長沙話聲調(diào)聚類分析識別結(jié)果表

五、結(jié)論

本文提出的特征聚類聲調(diào)識別方法對于聲調(diào)系統(tǒng)復(fù)雜的語言，其聲調(diào)識別正確率達到75%以上。建立的聲調(diào)聚類識別系統(tǒng)在語音調(diào)查聲調(diào)自動記音上具有一定的適用性。該方法是對田野調(diào)查語料的聲調(diào)進行自動聚類識別的一次嘗試。相對于傳統(tǒng)工程領(lǐng)域的聲調(diào)識別方法，聲調(diào)特征聚類算法不需要進行聲調(diào)建模，也沒有訓(xùn)練的過程，這使得在處理大量數(shù)據(jù)時，聚類算法不僅能節(jié)約更多的時間，同時獲得較高的識別效果。

在識別過程中，調(diào)型相似的聲調(diào)，區(qū)分度較差，識別率較低。尋找聲調(diào)區(qū)分特征，提高聲調(diào)識別效率將是后續(xù)的工作方向。

少數(shù)民族語類型十分多樣。本聲調(diào)識別系統(tǒng)雖然對少數(shù)民族語和漢語方言的多種聲調(diào)類型進行識別測試，獲得了一定效果。但嚴格地來說，這只是一個小范圍內(nèi)的嘗試，語料僅包含了南方少數(shù)民族語中常見的平調(diào)、升調(diào)、降調(diào)、曲折調(diào)。對于其他一些特殊形式的聲調(diào)，識別系統(tǒng)還沒有進行嘗試。