方園園，朱 敏

（南京航空航天大學(xué)，江蘇 南京 210016）

0 引 言

近年來(lái)，隨著人工智能的發(fā)展，自動(dòng)語(yǔ)音識(shí)別技術(shù)（Automatic Speech Recognition，ASR）也被不斷研究與發(fā)展，并被應(yīng)用到各種不同的領(lǐng)域，例如：聲音驅(qū)動(dòng)指令、人機(jī)界面、相關(guān)文本翻譯以及醫(yī)療超聲[1?8]等，為人類(lèi)生活帶來(lái)了巨大的便利。語(yǔ)音識(shí)別技術(shù)在發(fā)展的過(guò)程中，其相關(guān)研究幾乎都致力于相關(guān)模型算法的優(yōu)化。被應(yīng)用廣泛的模型有隱馬爾可夫模型（Hidden Markov Model，HMM）、短 時(shí) 記 憶（Long Short?Term Memory，LSTM）網(wǎng)絡(luò)、深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，DNN）以及卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）等，多年來(lái)被不斷地改進(jìn)來(lái)改善語(yǔ)音識(shí)別率。例如：文獻(xiàn)[9]關(guān)于LSTM、DNN和CNN的各自?xún)?yōu)劣將它們組合成一個(gè)改進(jìn)模型CLDNN；文獻(xiàn)[10]致力于改進(jìn)代價(jià)與激勵(lì)函數(shù)來(lái)生成一個(gè)新的CNN改進(jìn)模型，提高語(yǔ)音準(zhǔn)確率。但是，網(wǎng)絡(luò)模型的優(yōu)化會(huì)涉及層數(shù)的加深和模型結(jié)構(gòu)的復(fù)雜化，這樣不但會(huì)使得實(shí)驗(yàn)中計(jì)算和算法相對(duì)復(fù)雜，也可能會(huì)造成網(wǎng)絡(luò)訓(xùn)練中的過(guò)擬合。

作為當(dāng)今語(yǔ)音識(shí)別深度學(xué)習(xí)模型的主流，CNN具有局部卷積及池化的顯著特點(diǎn)[10]，通過(guò)對(duì)一定量的視覺(jué)圖像的分析學(xué)習(xí)，來(lái)達(dá)到圖像識(shí)別、語(yǔ)音處理[11]和推薦系統(tǒng)[12]等的效果。此模型常以二維或三維圖像為輸入數(shù)據(jù)，并且對(duì)此類(lèi)結(jié)構(gòu)的信息非常敏感，也是現(xiàn)如今廣泛用于計(jì)算機(jī)視覺(jué)領(lǐng)域的網(wǎng)絡(luò)模型。對(duì)于基于CNN的語(yǔ)音識(shí)別技術(shù)，現(xiàn)有的研究大多將表示為時(shí)域和頻域的二維形式的語(yǔ)音特征直接輸入到CNN或是改進(jìn)優(yōu)化的CNN中。在本次實(shí)驗(yàn)中，通過(guò)觀察大量經(jīng)過(guò)語(yǔ)音活動(dòng)檢測(cè)（Voice Activity Detection，VAD）等預(yù)處理的二維語(yǔ)言特征，發(fā)現(xiàn)大多特征存在非零特征區(qū)域邊緣化的特點(diǎn)，即大多數(shù)非零特征區(qū)域位于整個(gè)二維特征的邊緣位置。這樣的特點(diǎn)會(huì)造成在CNN的訓(xùn)練階段中，因?yàn)镃NN中的局部卷積和池化的特點(diǎn)，語(yǔ)音特征中邊緣區(qū)域信息丟失，從而大幅度降低CNN語(yǔ)音識(shí)別的準(zhǔn)確率。在本文中，將由于非零特征區(qū)邊緣化造成的影響稱(chēng)為邊緣影響，并針對(duì)該影響展開(kāi)了研究，認(rèn)為解決該邊緣影響的方法應(yīng)起到將非零特征區(qū)域“移動(dòng)”到遠(yuǎn)離邊緣位置的效果。本次實(shí)驗(yàn)采取了幾種幾何改進(jìn)方法來(lái)緩解邊緣影響，通過(guò)相同的CNN結(jié)構(gòu)以及訓(xùn)練時(shí)長(zhǎng)在自錄制與公共數(shù)據(jù)庫(kù)的混合數(shù)據(jù)的識(shí)別準(zhǔn)確率，證明了經(jīng)過(guò)幾何改進(jìn)的二維特征，在CNN中的識(shí)別性能都優(yōu)于存在邊緣影響的原始特征。

1 特征提取

在關(guān)于CNN的語(yǔ)音識(shí)別中，語(yǔ)音特征的提取過(guò)程通常如圖1所示。語(yǔ)言特征提取過(guò)程包括對(duì)標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)的數(shù)據(jù)獲取及生成數(shù)據(jù)語(yǔ)音幀，再讓每一幀語(yǔ)音經(jīng)過(guò)梅爾濾波器生成不同頻率帶寬的能量特征值，最后將得到的二維特征放入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

圖1 二維語(yǔ)音特征提取步驟結(jié)構(gòu)圖

1.1 數(shù)據(jù)獲取

數(shù)據(jù)獲取的主要內(nèi)容是預(yù)處理和數(shù)據(jù)幅值的縮放[13]，例如歸一化和去噪等部分。文獻(xiàn)[14]在獲取數(shù)據(jù)庫(kù)時(shí)，采用了二次采樣、歸一化去直流以及語(yǔ)音活動(dòng)檢測(cè)（Voice Activity Detection，VAD）的方法，便于之后語(yǔ)音特征提取等操作時(shí)，不受周?chē)肼暤鹊母蓴_，也方便數(shù)據(jù)庫(kù)中大量語(yǔ)音的統(tǒng)一操作。從文獻(xiàn)[15]可知，對(duì)于經(jīng)過(guò)歸一化去直流的語(yǔ)音數(shù)據(jù)，所提取的一維梅爾特征在人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network）的訓(xùn)練效果并不理想，魯棒性較差。經(jīng)過(guò)對(duì)大量該類(lèi)語(yǔ)音的觀察，發(fā)現(xiàn)語(yǔ)音之間的開(kāi)始和終止時(shí)間差異較大。此外，在未發(fā)音階段也存在周?chē)h(huán)境的聲音（噪聲）。這些因素都會(huì)影響語(yǔ)音識(shí)別的正確率和魯棒性。為了區(qū)分人聲部分和無(wú)聲部分，VAD被應(yīng)用來(lái)提取每段語(yǔ)音的人聲部分，使得每段語(yǔ)音數(shù)據(jù)的開(kāi)始和終止時(shí)刻更加統(tǒng)一，也可以去除周?chē)肼曉斐傻母蓴_。如圖2所示，對(duì)來(lái)自于第一個(gè)男性的語(yǔ)音數(shù)據(jù)“eight”（Speech，如圖2實(shí)線所示），計(jì)算對(duì)應(yīng)的短時(shí)能量（Short?Time Energy，STE），如圖2虛線所示，并通過(guò)設(shè)定的閾值來(lái)篩選人聲部分。在圖2中，STE值與原始語(yǔ)音數(shù)據(jù)一一對(duì)應(yīng)，所有與高于閾值的STE值時(shí)間點(diǎn)相同的語(yǔ)音數(shù)據(jù)，都會(huì)被提取出來(lái)，作為新的語(yǔ)音數(shù)據(jù)，用于后續(xù)處理。

圖2 歸一化的短時(shí)能量與語(yǔ)音數(shù)據(jù)結(jié)構(gòu)圖

1.2 梅爾倒譜系數(shù)

梅爾倒譜系數(shù)（Mel Frequency Cepstral Coefficients，MFCCs）是應(yīng)用最為廣泛的語(yǔ)音特征提取方法之一。采用該系數(shù)計(jì)算所需的濾波器組，梅爾濾波器組（Mel Filter Banks，MFBs）是經(jīng)由大量實(shí)驗(yàn)所得的一系列頻譜帶寬，這些濾波器的帶寬大小，反映了人耳對(duì)于不同語(yǔ)音頻率帶寬的敏感程度。語(yǔ)音頻率值與梅爾頻率值正、逆變換公式分別為：

式中，f和m分別為頻率值和梅爾刻度值。

將語(yǔ)音頻率的上、下限值先經(jīng)由（1）變換為梅爾頻率的上、下限值，再根據(jù)所需梅爾濾波器個(gè)數(shù)進(jìn)行等份，等份而得的梅爾刻度再經(jīng)由式（2）得到梅爾濾波器的邊緣值與中間值。本文根據(jù)所選取的語(yǔ)音數(shù)據(jù)庫(kù)，取32個(gè)頻率濾波器以及一個(gè)最大頻率范圍，即最低頻率300 Hz和最高頻率4 kHz；再根據(jù)這兩個(gè)頻率最值經(jīng)由梅爾變換得到梅爾刻度范圍，并將該范圍劃分為32個(gè)等份即34個(gè)梅爾刻度值，如式（3）所示；最后再應(yīng)用梅爾逆變換由梅爾刻度得到頻率值，最后得到如圖3所示的32個(gè)三角形梅爾頻率濾波器。

圖3 32個(gè)梅爾頻率濾波器

2 邊緣影響分析

2.1 特征生成

本文在提取生成語(yǔ)音特征時(shí)，經(jīng)過(guò)多次試驗(yàn)后決定的一些參數(shù)如下所示。首先是在數(shù)據(jù)獲取階段中的VAD部分，經(jīng)過(guò)多次嘗試，本文選擇了0.02的閾值。在實(shí)際操作中，將STE值高于0.02的第一個(gè)數(shù)據(jù)點(diǎn)所對(duì)應(yīng)的相同時(shí)間的語(yǔ)音數(shù)據(jù)會(huì)被作為新的初始點(diǎn)，而此點(diǎn)之后的所有數(shù)據(jù)將會(huì)被保留。以?xún)?nèi)容為“seven”的男性錄音為例，原始語(yǔ)音數(shù)據(jù)與VAD處理之后篩選出來(lái)的人聲部分的對(duì)比，如圖4所示。經(jīng)過(guò)VAD之后，人聲部分在本文中的語(yǔ)音特征被表現(xiàn)為二維的形式：時(shí)域坐標(biāo)和頻域坐標(biāo)[11?12]。在經(jīng)過(guò)濾波器之前，以50%的重復(fù)率將語(yǔ)音分成多個(gè)語(yǔ)音幀，然后將每一幀語(yǔ)音通過(guò)32個(gè)梅爾濾波器，計(jì)算各自不同時(shí)域的頻率能量特征。需要注意的是，與一維特征的情況不同，二維特征除了頻率坐標(biāo)系之外，還要表示時(shí)域上的坐標(biāo)。通常的梅爾倒譜系數(shù)計(jì)算是通過(guò)梅爾濾波器的語(yǔ)音能量，再經(jīng)由離散余弦變換（Discrete Cosine Transformation，DCT）和對(duì)數(shù)變換而得。但是DCT反映了被映射在另一個(gè)基（basis）的音譜信息，而非傳統(tǒng)的時(shí)域坐標(biāo)。從而造成能量值的偏移，影響特征在CNN中的局部提取[10]，所以本文將DCT部分去掉。去掉DCT而計(jì)算得到的特征，稱(chēng)為MFSC特征[16]。生成的二維語(yǔ)音特征的表示如圖5所示（“nine”，male，32×32）。

圖4 VAD前后的語(yǔ)音數(shù)據(jù)

圖5 MFSC二維語(yǔ)音特征

2.2 特征邊緣化

在實(shí)驗(yàn)初期，將經(jīng)過(guò)歸一化去直流和VAD的語(yǔ)音信號(hào)進(jìn)行特征提取，得到的部分二維特征如圖6所示，在CNN中的識(shí)別效果并不理想。其CNN模型的改進(jìn)，例如激勵(lì)函數(shù)和層結(jié)構(gòu)的加深，也未能改進(jìn)CNN對(duì)所得二維特征的識(shí)別效果。

圖6 男性與女性二維語(yǔ)音特征（32×32）

經(jīng)過(guò)觀察CNN中每一層卷積層或者池化層的輸出，發(fā)現(xiàn)大量的特征在經(jīng)過(guò)卷積和池化層之后，所得的輸出圖大部分都看不出明顯的特征效果，如圖7所示。經(jīng)分析，主要原因是大量特征的非零特征區(qū)域處于整個(gè)特征圖的邊緣位置。在具有局部卷積及池化等明顯特征[10]的CNN模型中，會(huì)使得這些非零特征在卷積層或池化層的響應(yīng)不明顯。這樣，CNN的邊緣化影響會(huì)大大降低CNN語(yǔ)音識(shí)別的正確率。

3 特征幾何改進(jìn)

為了減小卷積的邊緣化影響，本文采取相應(yīng)的幾何改進(jìn)措施，將非零特征區(qū)域“移動(dòng)”使之遠(yuǎn)離邊緣區(qū)域，這樣才能讓卷積層以及池化層得到更多特征部分的響應(yīng)。本次實(shí)驗(yàn)采取的措施分別為幾何對(duì)折、雙線性插值、零值填充和翻折填充，下面將介紹這幾種幾何改進(jìn)措施。

3.1 幾何對(duì)折

以圖6a）左側(cè)的初始特征為例，將該特征在水平、豎直和對(duì)角線方向上進(jìn)行對(duì)折，得到了如圖8所示（男性，“nine”）最右方的對(duì)折特征?？梢钥闯?，通過(guò)幾何對(duì)折的方式，雖然特征被復(fù)制，但是非零特征區(qū)域還是被完整地“移動(dòng)”到二維特征值的中心位置。

圖8 幾何對(duì)折過(guò)程

3.2 雙線性插值

雙線性插值在圖像處理中比較常見(jiàn)，本次實(shí)驗(yàn)采用雙線性插值（Bilinear Interpolation）。通過(guò)該方法，可以改變圖像的尺寸，但不會(huì)造成圖像很大的變化。如圖9所示（男性，“nine”，左男性，右女性），將圖6a）進(jìn)行雙線性插值，非零特征區(qū)域的“形狀”并沒(méi)有太大改變。

圖9 雙線性插值特征

在雙線性插值的具體施行中，因?yàn)檩斎牒洼敵鰣D像尺寸不同，分別為wi，hi（輸入圖像的寬、高）以及wo，ho（輸出圖像的寬、高），所以由寬和高的尺寸系數(shù)，可得到新像素點(diǎn)坐標(biāo)(x,y)，其中，x，y分別為：

式中(m,n)表示輸出圖像對(duì)應(yīng)的輸入圖像的位置點(diǎn)。值得注意的是x，y基本上為浮點(diǎn)數(shù)，所以新圖像的像素點(diǎn)坐標(biāo)應(yīng)該是取其整數(shù)的(x′,y′)。

以上是關(guān)于得到新圖像的像素點(diǎn)坐標(biāo)，而得到的對(duì)應(yīng)灰度值為：

在本次實(shí)驗(yàn)中，經(jīng)過(guò)雙線性插值的二維特征取得的識(shí)別正確率要比初始特征改善許多，但仍然沒(méi)有達(dá)到理想的標(biāo)準(zhǔn)。

3.3 零值填充

零值填充是將初始特征的周?chē)畛淞阒担鐖D10所示（“nine”，左男性，右女性）。圖10a）的初始特征，在經(jīng)過(guò)零填充后，非零特征值不會(huì)在左上角位置，視覺(jué)上會(huì)感覺(jué)往中心方向“移動(dòng)”了一些。根據(jù)CNN中卷積層的核尺寸，本次實(shí)驗(yàn)嘗試了兩種大小的零值填充特征，分別為64×64和48×48，不難看出，圖10a）的非零特征區(qū)域相較于圖10b）要更遠(yuǎn)離邊緣區(qū)域。

圖10 零值填充特征

3.4 翻折填充

在本次實(shí)驗(yàn)中，“翻折”不同于“對(duì)折”，不是將整個(gè)初始特征進(jìn)行復(fù)制，而是將特征的一部分（選取含有非零特征的部分），在水平、豎直和對(duì)角線方向上進(jìn)行翻折。如圖11所示（“nine”，左男性，右女性），選取非零特征中的8行和16行以及完全翻折的幾何對(duì)折的不同。其中，形成的特征尺寸大小同樣也是基于CNN卷積層的核尺寸。從圖11可以看出，翻折特征與幾何對(duì)折特征有一個(gè)很大的不同，就是特征區(qū)域的不完整。雖然包含了初始特征的部分，但是部分被翻折的特征處于整個(gè)特征圖的邊緣。

圖11 翻折填充特征

4 卷積神經(jīng)網(wǎng)絡(luò)

本文基于對(duì)CNN相關(guān)知識(shí)的學(xué)習(xí)[17]，進(jìn)行了CNN的設(shè)計(jì)。此節(jié)將會(huì)涉及CNN的學(xué)習(xí)過(guò)程以及本次實(shí)驗(yàn)具體設(shè)計(jì)CNN的細(xì)節(jié)。

4.1 網(wǎng)絡(luò)結(jié)構(gòu)

圖12展示的是訓(xùn)練數(shù)據(jù)中的一個(gè)特征（“eight”，女性）經(jīng)過(guò)幾何對(duì)折的特征圖經(jīng)過(guò)CNN向前傳播的過(guò)程。為了清楚表示幾何改進(jìn)方法的效果，本次實(shí)驗(yàn)中對(duì)于每一種改進(jìn)特征都采用相同結(jié)構(gòu)的CNN模型，CNN模型結(jié)構(gòu)可以用以下序列表示，[I1,280,C2,10,P3,10,C4,20,P4,20,F5,150,F6,50,F7,10]。其中，I，C，P和F分別表示輸入層、卷積層、池化層和完全連接層，其下標(biāo)中的第一、二個(gè)數(shù)字分別表示它們位于CNN的第幾層和尺寸大小，例如：C2,10表示CNN中的第二層為卷積層，卷積核大小為10×10。值得注意的是，與圖7比較，經(jīng)過(guò)相同的層結(jié)構(gòu)，幾何對(duì)折特征的“信息”比初始特征要明顯。

圖12 CNN向前傳播結(jié)構(gòu)圖

4.2 學(xué)習(xí)過(guò)程

在了解CNN學(xué)習(xí)過(guò)程之前，首先，要了解CNN常用的幾個(gè)主要組成部分，分別為：卷積層、池化層和完全連接層。本次實(shí)驗(yàn)設(shè)計(jì)的CNN的向前傳播如下：

式中，若第i層為卷積層，“學(xué)習(xí)”的過(guò)程則是將上一次卷積層或者是池化層輸出的特征圖Fi-1（若i=1，則Fi-1表示輸入圖像），與當(dāng)前卷積層里的核Ki(k)進(jìn)行卷積，再加上偏離數(shù)列bi。最后，將此結(jié)果代入當(dāng)前卷積層的激勵(lì)函數(shù)fi中，得到第i層的第k個(gè)輸出特征圖Fi(k)。而當(dāng)?shù)趇層為池化層時(shí)，對(duì)上一層特征圖的處理如下：

式中Hi(k)為第i層的第k個(gè)池化層核。因?yàn)楸敬螌?shí)驗(yàn)采用的池化層為平均池化層，故其核為H=

完全連接層一般都處于整個(gè)CNN結(jié)構(gòu)的末尾（一般是不少于一層），不同于卷積層與池化層，它輸出的不是二維的特征圖而是一維的數(shù)列，對(duì)于上一層的輸出結(jié)果（二維或者一維都有可能）處理如下：

式中，W和B分別為完全連接層的權(quán)重系數(shù)和偏離數(shù)列，它們都是與第i層節(jié)點(diǎn)數(shù)和上一層的輸出維度相關(guān)的隨機(jī)數(shù)。

5 實(shí)驗(yàn)結(jié)果與分析

5.1 基于標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)的實(shí)驗(yàn)結(jié)果

本次實(shí)驗(yàn)的數(shù)據(jù)庫(kù)來(lái)自于專(zhuān)門(mén)用于語(yǔ)音研究的標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)，要識(shí)別的語(yǔ)音內(nèi)容為從“zero”到“nine”的單詞發(fā)音。選取的數(shù)據(jù)庫(kù)是來(lái)自4位男性和4位女性的320個(gè)錄音（持續(xù)時(shí)間都為1 s），每個(gè)人的聲音特點(diǎn)，包括口音、聲音大小以及說(shuō)話開(kāi)始和結(jié)束時(shí)間等，都不一樣。在訓(xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)，語(yǔ)音數(shù)據(jù)中的訓(xùn)練數(shù)據(jù)（Training Data）分配有280個(gè)，每個(gè)單詞分配28個(gè)語(yǔ)音，每個(gè)人的錄音涵蓋有3~4個(gè)；測(cè)試數(shù)據(jù)（Testing Data）40個(gè)，每個(gè)單詞分配4個(gè)語(yǔ)音，由于隨機(jī)抽取，每個(gè)人的錄音涵蓋有0~2個(gè)。經(jīng)過(guò)采用的幾種特征幾何改進(jìn)方法后，幾種情況的二維特征所取得的語(yǔ)音識(shí)別效果如表1所示，每種特征都經(jīng)過(guò)CNN獨(dú)立訓(xùn)練10次得到平均值和方差，以說(shuō)明其識(shí)別的正確率及其魯棒性。由表1可知，對(duì)于未經(jīng)任何幾何改進(jìn)的初始特征，CNN的識(shí)別正確率非常低，而且方差很大，穩(wěn)定性不高。雙線性插值特征，相較于初始特征，特征圖尺寸增大，而非零特征區(qū)域仍處于邊緣位置，正確率和方差都有所改善，但仍未到達(dá)理想的標(biāo)準(zhǔn)。在同樣的尺寸下，64×64的零值填充特征卻達(dá)到了比較理想的效果，而48×48的零值填充特征則正確率稍弱，但仍大大優(yōu)于雙線性插值特征，這樣的優(yōu)劣對(duì)比也證明了非零特征區(qū)域越遠(yuǎn)離邊緣，訓(xùn)練的效果則越好。

表1 CNN檢測(cè)正確率

對(duì)于翻折特征和幾何對(duì)折特征，可以放在一塊進(jìn)行說(shuō)明，幾何對(duì)折特征取得了所有情況中最好的效果。而不同于零填充的情況，48×48的翻折特征比64×64的翻折特征效果更好，其原因也在于，64×64的不完整特征部分更多，對(duì)CNN的識(shí)別造成了更多的干擾。

6 結(jié) 論

本文提出的基于CNN邊緣化分析所采取的對(duì)二維語(yǔ)音特征的幾何改進(jìn)，在不改進(jìn)CNN結(jié)構(gòu)與不增加數(shù)據(jù)量的前提下，有效地改善了CNN的語(yǔ)音識(shí)別正確率。通過(guò)由專(zhuān)門(mén)用于語(yǔ)音研究的公共數(shù)據(jù)庫(kù)[17]上的結(jié)果表明，經(jīng)過(guò)不同幾何改進(jìn)的二維特征，相較于存在邊緣影響的初始特征，其在CNN的識(shí)別效果都有了不同程度的改進(jìn)。希望在未來(lái)，該類(lèi)改進(jìn)方法可以運(yùn)用到更多種類(lèi)信號(hào)，例如EEG、心電圖等信號(hào)在CNN中識(shí)別效果的改進(jìn)。