周 楊，錢雪軍

（同濟大學 電子與信息工程學院，上海 201804）

0 引言

地鐵行車事故和突發(fā)事件嚴重影響了地鐵的正常運營并威脅到了人民群眾的生命財產(chǎn)安全[1]。對于相應的應急預案而言，應急預案演練的效果直接決定了應急響應的速度和應急處置實施的有效性，其中應急處置培訓是應急預案演練的重點。

目前的聯(lián)合培訓系統(tǒng)需要所有培訓崗位均為在崗狀態(tài)，無法實現(xiàn)在聯(lián)合培訓中的單崗位培訓功能。因此在對各個崗位進行應急處置培訓過程中需要模擬各個崗位之間的語音交互，實現(xiàn)單個崗位獨立培訓時的智能互動,同時實現(xiàn)對培訓過程的記錄與智能評價。語音識別是語音交互的基礎。目前，國內(nèi)外語音識別技術已經(jīng)趨于成熟，走向真正實用化[2]，在日常對話等常見領域已達到實用要求，但是在地鐵等專業(yè)應用領域的識別效果不佳[3]。

本文基于DFCNN-CTC 框架提出新的語音識別聲學模型結(jié)構(gòu)，以實現(xiàn)對應急處置培訓術語的高精度識別。實驗表明，該語音識別模型可應用于應急處置培訓系統(tǒng)中。

1 應急處置培訓術語

本研究使用上海軌道交通培訓中心列車故障救援場景處置培訓方案的培訓術語，記錄列車故障救援場景下運營調(diào)度員、車站值班員以及列車司機的語音對話用語。對話內(nèi)容涵蓋了地鐵列車到達及出發(fā)的技術作業(yè)、線路封鎖、客運管理、技術設備的檢查排故、各部門協(xié)調(diào)等環(huán)節(jié)。

1.1 培訓術語研究

如表1 所示，應急處置培訓用語有如下的特征：（1）培訓用語中同時存在中文、英文、標點符號和數(shù)字。將數(shù)字和英文字母用漢語文本表示，發(fā)音為普通話，并去除相關標點符號。（2）車務人員對話用語按照標準多為長語句（30 至40 字），對過長的語句在不影響上下文的情況下進行切分識別。（3）培訓用語中含有鐵路專有名詞，例如：濟陽路、上南路、大渡河路、清客、入段線、聯(lián)控、對標停車等。

表1 應急處置培訓通話文本（部分）

對比科大訊飛、百度、Siri、Cortana等國內(nèi)外公司所研發(fā)的語音識別軟件，在對鐵路車務專用術語的識別率中，Cortana 的綜合得分最高，科大訊飛的識別率最穩(wěn)定，但是準確率僅為50%[4]。目前，這些識別軟件需要在聯(lián)網(wǎng)環(huán)境下才能使用，無法滿足在培訓場景下離線局域網(wǎng)環(huán)境中使用的需求。本文針對上述問題收集專業(yè)術語語料，基于神經(jīng)網(wǎng)絡構(gòu)建和訓練語音識別模型，提高對培訓術語的識別率。

1.2 語料收集

為了提高模型的泛化能力，本文使用了三個公開的中文語音數(shù)據(jù)集以及一個自制的培訓術語數(shù)據(jù)集。三個公開中文語音數(shù)據(jù)集分別是：清華大學語言與語音技術中心出版的THCHS-30，希爾貝殼公司開源的AI-SHELL-1 以及北京沖浪科技公司開源的ST-SMDS 中文語音數(shù)據(jù)集。語音的格式統(tǒng)一為采樣頻率16 kHz，16 bit 位深，單通道，總時長達到330 h，基本信息數(shù)據(jù)如表2 所示。對地鐵應急處置培訓用語進行收集后，組織10 人進行語料錄制，共錄制700 條語音，其中500 條作為訓練集，200 條作為測試集。

表2 中文語音數(shù)據(jù)集

2 語音識別系統(tǒng)結(jié)構(gòu)

首先，將音頻信號經(jīng)過預處理轉(zhuǎn)化為語譜圖進行特征提取，使用聲調(diào)和韻母組成的1 427 種拼音作為聲學模型的建模單元，將聲調(diào)標注為數(shù)字1～5，數(shù)字5 表示輕聲，例如“我”（wǒ）表示為wo3，對音頻信號所對應的拼音序列進行處理，生成拼音Index 序列。然后，將語譜圖和拼音Index 序列作為訓練聲學模型的輸入數(shù)據(jù)，經(jīng)過構(gòu)建的深層卷積神經(jīng)網(wǎng)絡提取語音特征，由全連接層進一步提取信息，通過Softmax 層分類輸出概率矩陣。最后，由CTC 解碼算法使語音與標簽序列對齊，將狀態(tài)概率解碼為標簽序列輸出，采用Adam 優(yōu)化器進行模型參數(shù)優(yōu)化，完成對聲學模型的訓練。

使用統(tǒng)計學方法收集文本語料并構(gòu)建N-Gram語言模型，將聲學模型輸出的拼音序列通過語言模型計算輸出文本序列，實現(xiàn)拼音-漢字轉(zhuǎn)換，最后經(jīng)過模板匹配得出預測的漢字結(jié)果。語音識別結(jié)構(gòu)如圖1 所示。

圖 1 語音識別系統(tǒng)結(jié)構(gòu)

2.1 特征提取

目前常用的聲學特征包括線性預測系數(shù)（LPC）、 濾 波 器 組 特 征（FBank）、 語 譜 圖 特 征 以及梅爾頻率倒譜系數(shù) （MFCC）。相較于MFCC，語譜圖不經(jīng)過人工設計的濾波器進行特征提取，從而保留了更多信息。生成語譜圖的過程主要分為預加重、 分幀加窗、 快速傅里葉變換（FFT）和特征提取四個步驟。

采用一階高通濾波器，對語音信號的高頻部分進行加重補償，使得頻譜分布變得更平緩，提高語音信號信噪比[5]。將長時語音劃分為幀信號，采用漢明窗降低旁瓣強度，對每一個語音幀進一步提取特征。采用FFT 提取分幀加窗處理后語音信號的頻譜，將頻譜取模得到幅度譜，然后取對數(shù)得到對數(shù)幅度譜[6]。對得到的對數(shù)幅度譜進行標準歸一化，使不同頻率之間的特征在數(shù)值上更有比較性，來提高分類器的準確性。最終將處理后的對數(shù)幅度譜拼接成時間序列的形式，得到特征序列語譜圖。對訓練集中一條語音數(shù)據(jù)進行特征提取，得到的語譜圖特征如圖2 所示。

圖2 語譜圖特征

2.2 DFCNN-CTC 聲學模型

經(jīng)過對語音數(shù)據(jù)預處理和特征提取后，得到特征序列的橫軸為語音的幀數(shù)，設置最大幀數(shù)限制為1 600 幀，約等于采樣16 s。特征序列的縱軸為每一幀的特征矩陣，為200 維。輸入特征序列進入聲學模型，輸出為對應1 427 個拼音和1 個空白單元的取值概率。

2.2.1 模型搭建

聲學模型使用DFCNN 架構(gòu)，采用卷積神經(jīng)網(wǎng)絡對輸入的二維語譜圖提取特征參數(shù)。模型中間部分采用多層卷積單元結(jié)構(gòu)，每一個單元結(jié)構(gòu)由卷積層、激活函數(shù)、批歸一化層、最大池化層交錯分布組成。聲學模型結(jié)構(gòu)圖如圖3 所示。

圖 3 聲學模型結(jié)構(gòu)圖

本文的聲學模型使用了5 個卷積層模塊，每一個卷積層模塊由2 層卷積層、2 層批歸一化層和1層最大池化層組成[7]。每個模塊中的卷積層分別設置有32、64、128、128、128 個卷積通道和大小為3×3 的卷積核。前3 個模塊的最大池化層窗口大小設置為2，后2 個模塊的最大池化層窗口大小設置為1，進行下采樣。padding 均設置為same,激活函數(shù)選用ReLU。使用兩層全連接層，最后一層的建模單元個數(shù)為1 428，對應1 427 個拼音并加上1個空白單元。經(jīng)過Softmax 輸出維度為200×1427的分類概率矩陣，使用CTC 損失函數(shù)對模型進行訓練。最后通過CTC 解碼算法輸出標簽序列（ 即拼音Index 序列），在發(fā)音字典中查找得出對應的拼音序列。

1.3.1 農(nóng)村高齡空巢老人問題突出加大居家養(yǎng)老需求 隨著城鎮(zhèn)化進程的推進，人口流動頻率不斷提高，導致了農(nóng)村地區(qū)的留守老人增多。據(jù)統(tǒng)計，2016年六合區(qū)祖孫二代留守老人5 216人，其中城鎮(zhèn)460人，農(nóng)村4 756人，農(nóng)村祖孫二代留守老人是城鎮(zhèn)的10倍之多。據(jù)六合區(qū)民政局有關調(diào)查顯示，“我國農(nóng)村空巢老人生活中存在困難的項目包括：去醫(yī)院看病占 34.3%、買菜占 12.5%、購買生活用品占 18.7%、洗衣服占 17.1%、打掃衛(wèi)生占 13.9%?！笔苤朴诜N種現(xiàn)實因素，無人照料的農(nóng)村留守老人還要承擔繁重的田間勞動并養(yǎng)育子孫，形成了較大的養(yǎng)老服務需求，推動農(nóng)村居家養(yǎng)老服務的發(fā)展。

2.2.2 模型訓練

使用公開中文語音數(shù)據(jù)集作為本模型的訓練集，通過測試集和驗證集來調(diào)整學習率與驗證精度，并使用自制培訓術語訓練集對模型進行微調(diào)。使用Adam 優(yōu)化器對模型進行訓練，bacth_size 為8，每一個epoch 訓練量為5 000，進行1 000 次迭代，初始的學習率為3×10-4，在300 次迭代后減少到1×10-4，在700 次迭代后減少到3×10-5。

2.3 DFCNN-CTC 聲學模型

語言模型在語音識別系統(tǒng)中的作用是將聲學模型輸出的拼音序列轉(zhuǎn)換成文字序列，得到具有漢語規(guī)律和符合人說話方式的語句。拼音與漢字具有一對多的關系，在發(fā)音字典的構(gòu)建過程中需要考慮多音字、諧音字以及生僻字等問題。

2.3.1 統(tǒng)計語言模型

本文使用N-Gram 統(tǒng)計語言模型，通過概率統(tǒng)計的方式來表示句子中每個詞語出現(xiàn)的可能。一個句子的概率由所有詞概率相乘得出，通過概率大小判斷句子是否合理。基于馬爾科夫假設，一個詞出現(xiàn)的概率只依賴于前面出現(xiàn)的多個詞。本文采用二元模型對收集的培訓語料進行詞頻統(tǒng)計，由大數(shù)定律可知，詞頻約等于概率。

因為存在一音多字的情況，通過拼音序列找尋最匹配的語句的操作類似于搜尋最短路徑的行為。維特比算法是一種動態(tài)規(guī)劃求解概率最大路徑的算法，可以用來實現(xiàn)拼音序列轉(zhuǎn)換到文本的解碼[8]。求解最優(yōu)路徑時，對句子設置初始概率1.0，每一步取一個拼音，將其在發(fā)音字典中對應的字接在已拼出的字序列后，將原序列概率與當前字出現(xiàn)概率相乘得出拼湊后的概率，類似于路徑的延伸。如果路徑概率過低，低于設置的閾值，則將該路徑剔除。本文設置每一步的字閾值為0.001，在第n 步時，路徑閾值為0.001n。這樣可以剔除不常見的詞組合，大大降低計算量。最后對到達終點的所有路徑通過概率進行排序，取概率最大路徑對應的句子輸出。

2.3.2 術語匹配

最短編輯距離為字符串所經(jīng)過的最少增刪改操作數(shù)，該距離越小，表示兩個字符串的相似度越高。本文將所收集的培訓語料制作成術語匹配庫，將語言模型輸出的語句與庫中語句進行匹配，找出最短編輯距離最小的語句，即為相似度最高的培訓語句。

3 模型測試與分析

對語音識別模型的測試主要針對聲學模型進行測試，測試可分為兩部分：一是采用公開中文數(shù)據(jù)集的測試集進行，并與其他模型進行對比；二是采用自制培訓術語測試集進行，對比使用自制數(shù)據(jù)集訓練后模型的識別精度，取最好表現(xiàn)。測試結(jié)果如表3 所示。

表3 聲學模型測試結(jié)果對比

由表3 可知，基于統(tǒng)計學原理的GMM-HMM 模型和DNN-HMM 模型詞錯率都較高，本文所提出的聲學模型利用提取的語譜圖特征進行訓練，在公開數(shù)據(jù)集上的詞錯率相較于前兩個分別降低了11.66%和6.29%。對模型進行微調(diào) （Fine turning）后，測試集上的詞錯率下降了11.58%，明顯提高了對地鐵培訓專業(yè)術語的識別率。

通過語言模型將聲學模型識別后得出的拼音序列轉(zhuǎn)化為文字序列，經(jīng)過模板匹配得出匹配度最高的培訓語句。最終識別效果如表4 所示。

表4 語音識別效果

4 結(jié)論

本文提出的針對地鐵運營崗位應急處置培訓術語的語音識別方法，基于深度學習和DFCNN 神經(jīng)網(wǎng)絡，實現(xiàn)了離線語音識別功能。其相較于傳統(tǒng)的語音識別方法和市面上的其他語音識別應用，提高了對應急處置培訓術語的識別率。本語音識別方法可以用于實現(xiàn)培訓系統(tǒng)智能評價功能和研究語音交互。