基于HTK的连续语音识别网站系统的研究和实现

Microcomputer Applications Vol. 26, No.7, 2010 研究与设计 微型电脑应用 2010年第26卷第7期

文章编号：1007-757X(2010)7-0019-02

基于HTK的连续语音识别网站系统的研究和实现

王鸿儒，杨根科，杨祖华

摘 要：隐马尔可夫模型(HMM)基本技术是语音识别中较为成功的算法，HMM具有较强的对时间序列结构的建模能力。文章在HMM Tool Kit（HTK）的基本技术之上，建立了一个以HMM为基础的提供连续语音识别服务的网站系统。该网络系统前台界面程序主要通过ASP.NET 2.0和Visual C#在Windows server 2003平台上建立，后台识别程序通过ATL实现。经过测试，该系统展示出其在语音数据检索中的应用价值。 关键词：隐马尔可夫模型；连续语音识别；HTK 中图分类号：TP391.4 文献标志码：A

和词性标注等词法分析工作。隐马尔可夫模型中存在两个假0 引言

设：输出独立性假设和马尔可夫性假设。其中，输出独立性

假设要求序列数据严格相互独立，才能保证推导的正确性，随着对外交流信息的日益广泛化，大量的语音文件数据

而事实上大多数序列数据不能被表示成一系列独立事件。条需要专业部门在短时间内进行可靠准确的处理与管理。语音

件随机场则使用一种概率图模型，具有表达长距离依赖性和文件直接检索技术虽然已经有一些进步，但是搜索效果并不

交叠性特征的能力，能够较好地解决标注（分类）偏置等问非常理想。采用连续语音识别的方式将语音文件转换为文本

题，而且所有特征可以进行全局归一化，能够求得全局的最

文件，使用文本检索的技术仍是主要的语音搜索方式[1]。随

优解。条件随机场在语音识别中的应用还有待进一步的研

着网络化技术、电子技术、信息处理技术和自动化技术的发

究。

展，通过信息化的方式，实现语音文件检索的自动化是完全

目前使用最普遍、效果较理想的识别方法，仍然是

可能的。自动化检索系统的实施，将极大地提高语音文件检

HMM识别方法。HTK（HMM Tool Kit）[7]是英国剑桥大学

索的效率，从概率意义上说机器比人耐疲劳，具有更高可靠

工程系(Cambridge University Engineering Department, CUED)

性，再结合技术人员的参与，将根本性地提高对语音文件检

开发的一套构建隐马尔可夫模型的工具集。工具集的设计目

索管理的准确性和可靠性。

的主要是建立语音识别系统。主要包括语音特征提取和分析

隐马尔可夫模型HMM(Hidden Markov Model[2])于1966

工具、模型训练工具、语音识别工具。目前，HTK的稳定

年由Baum提出相关数学推理。20世纪80年代，经过Rabiner

发行版本是3.4版本，所有代码使用c语言编写，可以在等人的研究，HMM逐渐应用于语音识别领域，从而推动了

Windows和Linux上编译使用。HTK的特点是开放源代码，语音识别方面技术的重大进展[3]。HMM采用隐含的状态来

用户可以在分析其代码的基础上，对某些算法和模块进行修对应声学层各相对稳定的发音单位，通过状态转移和状态驻

改。 留来描述发音的变化。同时，它引入了概率统计模型，以概

率密度函数为准则找到识别结果。通过将底层的声学模型和

1 隐马尔科夫模型在语音识别中的应用 上层的语音模型融为一体，该语音识别搜索算法及其训练方

法可以获得较好的识别效果。

1.1 隐马尔可夫模型的定义 语音识别方法大致还有两种：样本匹配法，神经网络系

[4]定义 1 (隐马尔可夫模型)隐马尔可夫模型[3]是一个五统（ANN）。样本匹配法主要用于特定人孤立词语音识别

元组(S, V, A, B,π)。其中：S={s1,s2,…,sN}是状态集，N为状系统中。他将特征分析提取的一组随时间而变的特征矢量序

态的总个数；V={v1,v2,…,vM}是输出符号集合，M是每个状列和事先通过学习后存在机器里的样本序列进行比较。输入

态中可以观察到的符号总数； A=(ai,j)N×N是状态转移概率分特征矢量序列和存储的样本，通过一定失真准则比较后即可

布矩阵，ai,j=P(Xt+1=sj|Xt=si)是从状态si转移到状态sj的概率，找到和输出特征矢量序列最接近的样本序列， 由于人说话

t为当前时刻，1≤ i≤ N，1≤ j≤ N；B=(bi,k)N×M是观察状态符的速度有快有慢，因此动态时间规正方法(DTW)[5] 是样本

号输出的概率分布矩阵，bi,k=P(ot=vk|Xt=si)表示在状态si时输匹配法成功的关键。神经网络也被广泛应用于语音模型中。

出符号vk的概率, 1≤ k≤ M,1≤ i≤ N；π={π1,π2, … ,πN}是初始其中最有效的一种方法是使用多层神经网络，不同层之间的

状态概率分布。 神经元通过一定的加权系数相互连接，这些加权系数可以在

HMM是一个双重随机过程，其中之一就是马尔可夫训练中进行学习。ANN本质上是一个自适应非线性动力学

系统。他模拟了人类神经元活动的原理，具有自学、联想、链，这是基本随机过程，它描述状态的转移。另一个随机过对比、推理和概括能力。这些能力是HMM模型不具备的，程描述状态和观察值之间的统计对应关系。由于实际问题中

[5]

但ANN又不具有HMM模型的动态时间归正性能。 观察值和状态之间，并不是一一对应的，这样站在观察者的

最近，一种新的分类方法“条件随机场”[6]被引入分词角度，就只能看到观察值，不能直接看到状态，而是通过一

———————————

作者简介：王鸿儒，上海交通大学自动化系，硕士研究生，上海 200240

杨根科，上海交通大学自动化系，教授，博士生导师，上海 200240 杨祖华，上海现代语言研究所，上海 200052

·19·