从狭义上讲, 自动语音识别(Auto-Speech Recognition, ASR)是指将人类语音信号自动转换成相应的文本内容的机器程序执行过程. 但就其广义上讲, 语音识别是指能够理解人类的语音信号的机器程序执行过程, 包括声纹理解和内容理解. 语音识别是一门跨学科技术, 结合了物理声学、语言学、信号处理学、生理学、计算机学和统计概率学. 语音识别研究可追溯到20世纪50年代, 贝尔实验室成功研究实现了Audry语音识别系统^[1]. 自20世纪80年代以来, 国内汉语语音识别研究取得了空前的发展. 到目前, 以百度、科大讯飞为首的公司已将深度学习神经网络成功运用在汉语普通话和各方言的语音识别上, 识别效果好, 识别率高, 识别技术成熟.

藏族是中华民族大家庭中重要的一员, 其人口近630万人(来自第6次人口普查数据), 主要分布在我国康巴地区(西藏、四川、云南)、安多地区(西藏、甘肃、青海、四川)和卫藏地区(西藏). 藏语是藏族人民交流和沟通的主要载体. 藏语起源可追溯至上古象雄语言学时期, 其正式成文可追溯至七世纪吐蕃王朝松赞干布时期, 后经中世纪和近代语言学时期的发展形成了如今这具有统一的文字、语法、字法、词法以及书写法的独特魅力语言^[2].

随着信息化和智能化时代的到来, 藏语言语音识别具有不可替代的重要作用. 首先, 藏语言语音识别是藏区智能化发展过程中不可或缺的关键技术. 第二, 藏语言语音识别对加强藏区内各地区(卫藏、康巴和安多)、藏区与其他地区的交流和沟通, 进而有效加强民族融合、增进民族和谐方面具有突出的重要地位和意义.

1 藏语语音识别研究现状

藏语语音识别是在英语、汉语的语音识别研究基础上, 从物理声学、语言学角度出发结合藏语自身特点采用计算机技术实现自动语音转换文本. 国内藏语语音识别的研究始于本世纪初, 滞后于汉语语音识别. 经过十多年的快速发展, 藏语语音识别研究取得了一定的成果.

2006年, 李洪波和于洪志研究了基于藏文音节和文字特性的藏语语音识别基元, 选择以音素为识别基元进行语音端点检测, 从而提高了噪音背景下语音识别效率^[3].

2007年, 西北民族大学于洪志、李永宏、索南楞次等研究创建了安多藏语单音节文本库、语音库和声学参数数据库, 并针对单音节的语音声学特征进行了较为系统的研究^[4]; 同年, 刘静萍和德熙嘉措通过提取LPCC参数并使用DTW实现了安多藏语小词汇孤立词语音识别系统^[5]; 同年, 武光利、戴玉刚等通过短时平均幅度和短时平均过零率相结合的方法来改进了藏语语音端点检测技术^[6]; 同年, 李洪波和于洪志通过提取MFCC参数进行语音识别而提高了识别效率^[7].

2009年, 李勇、于洪志、达哇彭措研究提取了藏语语音韵律特征用于语音识别进而提高了语音识别效率^[8]; 同年, 姚徐、李永宏、单广荣等提取了MFCC特征参数, 并构建了语音模板库, 采用DTW技术实现了藏语语音识别系统^[9].

2010年, 西藏大学德庆卓玛以声韵母作为识别基元, 分别提取了LPCC和MFCC特征参数实现拉萨话藏语特定人小词汇量语音识别系统, 并比较了两者的识别效果^[10]; 同年, 韩清华改进了语音端点检测, 并对提取的MFCC参数进行矢量量化, 采用HMM进行声学建模实现了藏语安多方言非特定人孤立词语音识别系统^[11].

2011年, 西南交通大学刘巧凤引入快速沃尔什变换对MFCC提取进行改进, 进而提高了藏语语音识别的特征有效性和性能优越性^[12].

2012年, 李冠宇分别以音素和声韵母作为识别基元, 通过HTK工具包构建了一个上下文相关的拉萨话藏语大词量连续语音识别声学模型^[13].

2015年, 赵尔平对传统的特征提取方法进行了改进, 在MFCC特征向量的基础上结合拉萨话语音特点融入共振峰参数, 提高了拉萨话藏语孤立词的语音识别率^[14]; 同年, 中央民族大学许彦敏引入了种子模型建立了藏语单音素和三音素声学模型, 并实现了基于sparse auto-encode的英藏跨语言语音识别系统^[15]; 同年, 王辉、赵悦、刘晓凤等将提取到的MFCC特征提取使用稀疏自动编码器提取了语音深度特征, 进而实现了基于深度特征的藏语语音识别系统^[16].

2016年, 中央民族大学刘晓凤比较了基于MFCC特征参数、SA+MFCC特征参数和DBN+MFCC特征参数的藏语连续语音识别率, 提出了通过DBN模型处理MFCC提取的深度特征对藏语连续语音识别有更高的识别效率^[17]; 同年, 西北师范大学张宇聪利用长短时记忆网络模型提取深度特征, 实现了基于深度学习的拉萨话藏语语音识别系统^[18].

2017年, 中央民族大学周楠将深度神经网络提取的瓶颈特征与传统MFCC组合形成了复合特征. 并对提取的复合特征和单瓶颈特征进行了在藏语语音识别率上的比较^[19].

2018年, 中央民族大学赵悦、李要嫱、徐晓娜等采用基于主动学习的语音语料选取方法实现了利用少量语音样本构建了能够代表大量语音样本的高精度藏语拉萨话识别模型, 成功降低了语音预处理过程中语音语料人工标注的工作复杂度^[20]. 同年, 梁宁娜、邓彦松其中在传统双门限检测法的基础上进行了端点放松处理对端点检测技术进行了改进, 再采用DTW实现藏语孤立词语音识别, 实验成功的提高了在噪声下的语音识别效率^[21]. 同年, 中科大的黄晓辉、李京利用RNN和连续时序分类算法实现了端到端的藏语语音声学建模^[22]. 同年, 陕西师范大学李涛、曹辉、郭乐乐通过堆叠稀疏自编码器组成深度自编码器提取了深度特征并实现了基于深度特征的藏语语音识别^[23].

2 藏语概述 2.1 藏文结构

藏文类似于汉文属于拼音型文字. 从狭义上讲, 藏文是指藏语的符号; 但就广义上讲, 藏文除了符号外还包括藏文文法等. 藏文音节是现代藏文文本的基本组成单位, 藏文音节由30个辅音字母和5个元音字母(其中ཨཨa为省略不写)组成^[2]. 如表1及表2所示.

藏文音节(也称藏字)间用隔音符“་”隔开, 句子间用单垂符“།”或双垂符“།།”隔开. 藏文音节是横纵双向叠加的平面字形, 并由基字、前加字、上加字、下加字、元音符号、后加字和再后加字中的1~7部分组成. 字形结构如图1所示.

图1中, 基字: 30个辅音字母皆可作为基字.

前加字: ག ད བ མ འ共5个.

上加字: ར ལ ས共3个.

下加字: ཡ ར ལ ཝ共4个.

元音符号: ི ུ ེ ོ共4个.

后加字: ག ང ད ན བ མ འ ར ལ ས共10个.

再后加字: ད ས共2个.

藏字在结构上有严格的规则限制. 基字是组成藏字不可缺少的构件, 其余各构件通过构字规则进行约束出现.

2.2 藏语发音

藏语发音过程是通过声带按照音节拼读规则振动产生声音的过程. 在藏语表达过程中, 其声音音素携带了语音信号的大量信息. 藏字发音时基字发主音, 前加字、上加字、下加字、后加字、再后加字发辅助音. 藏字的拼读发音顺序为前加字→不带元音的基字丁(不带元音符号的纵向叠加部分)→元音→后加字→再后加字^[16].

值得注意的是藏语三大方言虽文字相同, 但发音存在较大差异. 具体差异如下: (1)安多方言没有声调、复元音、长元音, 而卫藏和康巴方言有该特征, 且安多方言复辅音比较丰富; (2)卫藏方言没有送气清擦音、清化鼻音、浊塞擦音和浊塞音, 而安多和康巴方言则具有, 且卫藏方言具有单辅音和复辅音; (3)康巴方言和安多方言很少有舌面擦音c和ch, 但卫藏方言中有^[24]; (4)藏语拉萨话在发音上声母发音不含浊音和塞音, 这与汉语的发音不同. 复辅音声母出现较少, 有真性复合和鼻化元音, 声调起伏波动不大, 发音也较为平稳^[25].

藏字发音携带了特定的音素信息, 故可以通过对音素进行特征提取来表达语音信号的内容. 在藏语拉萨话中有59个音素^[13]. 如表3所示.

藏语同汉语一样可以将一个音节分离成声母和韵母来表示. 藏语拉萨话包含了36个声母和45个韵母^[1]. 藏语拉萨话声、韵母及其拉丁转写如表4、表5所示.

3 藏语语音识别技术

藏语语音识别过程一般包括几个重要阶段: 语音数字化、预处理、特征参数提取、模型训练和模式匹配. 其原理如图2所示.

(1)语音采集及处理. 常使用CoolEdit等工具采集一定频率、声道和分辨率的语音. 对采集的语音通过语音增强技术进行去噪.

(2)语音信号预加重. 由于语音由声道产生后从嘴唇发出, 此过程中受口腔辐射影响会有高频损失, 为弥补这些高频信号损失, 常使用高通数字滤波器来增强高频语音信号^[26]. 滤波器传递函数如式(1)所示.

${{H}}({\textit{z}}) = 1 - \alpha {{\textit{z}}^{ - 1}},0.9 \le \alpha \le 1.0$

(1)

(3)语音端点检测. 语音端点检测是用于检测语音信号段和非语音信号段. 一般使用基于短时能量和短时平均过零率的端点检测方法端点方法.

(4)语音特征参数提取. 藏语的元音比辅音携带了更多听觉感知信息. 通常提取语音信号的LPCC (线性预测倒谱系数)、MFCC (Mel频率倒谱系数)、PLPC (基于听觉模型的感知线性预测)和深度特征等. 由于Mel频率更符合人耳听觉感知, 故一般提取MFCC特征用于语音识别. 声音频率和梅尔频率之间的转换关系如式(2)所示.

${{mel}} = 2595 \times \log 10(1 + freq/700)$

(2)

随着语音技术的发展, 现在已经有更多的研究开始提取深度特征来代替原来的MFCC特征.

(5)训练与识别. 模式创建过程即是模型训练的过程, 语音识别过程即是模式匹配的过程. 藏语语音识别技术研究至今已经有较大的进展, 从提取的不同特征和识别原理上, 可将藏语语音识别技术分为基于模板匹配的藏语语音识别技术、基于统计概率模型的藏语语音识别技术和基于人工神经网络的藏语语音识别技术3类.

3.1 基于模板匹配的藏语语音识别技术

基于模板匹配的藏语语音识别技术是应用最早且、最成熟的藏语语音识别技术. 模板匹配的方法, 顾名思义就是通过创建参考模板库, 再由测试模板与模板库中的参考模板一一进行比较, 输出具有最大相似度的参考模板相对应的文本作为识别结果. 其原理图如图3所示.

基于模板匹配方法最常用的方法是动态时间规整(Dynamic Time Warping, DTW), 其主要用来计算两个不等时长语音之间的相似度. 在模板训练方面, 有针对特定人群小词汇量的偶然模板训练法、有针对特定人群大词汇量的多模板平均训练法和针对非特定人群的聚类训练法^[10]. 在系统实现中根据实际应用场景进行模板训练方法选择. 在语音识别上, 通过计算欧几里德距离获得测试模板和参考模板之间的相似度, 并将相似度最大的作为识别结果输出. 欧氏距离计算公式如式(3)所示.

${\rm{D[}}T(n),R(m)] = \sum\limits_{n = 1}^p {{{({t_n} - {r_n})}^2}} $

(3)

3.2 基于统计概率模型的藏语语音识别技术

基于统计概率模型的藏语音识别方法是通过统计概率学知识构建训练语料语音音素序列的概率网络, 再根据该概率网络找到测试语料语音的可能音素序列, 从而实现语音识别.

利用GMM-HMM训练提取的MFCC参数建立声学模型, 通过N-gram方法建立语言模型. 对于藏语声学建模过程而言, 首先, HMM状态序列是由藏语音节发音过程中选取的音素经过一系列的过程变化构成的. 其次, 观测向量(即MFCC特征向量)是由每一个音素以一定的概率密度函数生成. 最后, 使用高斯混合函数来拟合这种概率密度函数来表示具有随机特性的语音信号^[24]. 基于统计概率模型的藏语语音识别技术原理图如图4所示.

(1)语音语料库创建. 根据识别系统应用领域收集、整理文本语料形成文本语料库. 将文本语料按照特定语音规格进行录制, 再将录制的语音文件整理标注后创建语音语料库.

(2)发音字典创建. 首先对文本语料进行音节统计, 将统计的音节按照Wylie(威利)转写方案进行音节拉丁转写, 其次将统计的音节通过基字丁拆分技术进行声韵母拆分, 最后由音节拉丁转写字符串和声韵母拉丁转写字符串共同创建发音字典.

(3)特征参数提取. 主要提取MFCC特征, 同时根据不同方言特点融入其他特征信息.

(4)语言建模. 语言模型的引入是为了解决字、词之间的上下文关系紊乱的问题. 简单来讲, 就是用来将识别出来的孤立字词组合成一句完整的句子. 通常创建基于bigram和trigram算法的具有上下文相关性的语言模型.

3.3 基于人工神经网络的藏语语音识别技术

由于人与动物的神经网络具有根据自然环境而自学习的能力, 所以人工神经网络的引入是为了实现语音识别程序的差异语境自适应^[27]. 基于人工神经网络的语音识别原理图如图5所示.

神经元是最小的信息处理单元, 是联络和整合输入信息并传出信息的基本单位. 在人工神经网络中的人工神经元由3个基本要素组成, 其结构如图6所示.

第一个要素为突触或者称为连接链集, 可以用权值来表征其大小; 第二个要素为加法器, 即线性组合器, 它将对每一个输入信号进行加权求和; 第三要素为激活函数, 它将调节信号的输出范围.

深度神经网络是人工神经网络的改进, 是更高效的网络结构. 基于深度神经网络的藏语语音识别技术是一种利用DNN-HMM提取深度特征并建立声学模型的藏语连续语音识别技术^[17,28]. 基于深度神经网络的语音识别技术具有高抗噪能力和高识别率的特点. 基于深度神经网络的藏语语音识别方法原理图如图7.

基于深度神经网络的藏语语音识别根据深度特征提取方式的不同又分为常用的4种: 基于卷积神经网络(Convolutional Neural Networks, CNN)、深度置信网(Deep Belief Network, DBN)、稀疏自动编码器(Sparse Auto-Encoder, SAE)和长短时记忆算法(Long Short Term Memory, LSTM)提取深度特征的藏语语音识别技术.

3.3.1 CNN

CNN是一种较为实用的深层神经网络的基本模型, 该模型由卷积和池化运算搭建而成^[29]. 在CNN中, 下一层的输入是上一层的输出与某个卷积核进行卷积运算的结果, 类似依次进行逐层运算, 最终构成神经网络^[26]. 基于卷积神经网络的藏语语音特征提取模型如图8所示.

CNN较其他网络模型而言, 训练需要的参数较少且具有一定的平移不变性, 是一种容易训练的模型. 在一般情况下, 只要网络结构配置的合理, 那么CNN建模是不需要经过预训练阶段的, 并且有时候使用随机的权值就可得到较好的特征提取结果^[17].

3.3.2 DBN

深度信念网DBN的方法提出是为了解决局部最优问题^[16]. DBN是由一系列受限玻尔兹曼机(Restricted Boltzmann Machine, RBM)组成. RBM模型如图9所示.

RBM网络的特征提取层包括输入层和隐含层两层. 如图9所示, 其中表示观测节点的偏移量, 表示输入层与隐含层之间的权重矩阵, 表示隐含节点的偏移量. 基于DBN的藏语语音识别, 就是将提取的MFCC传统特征作为DBN输入, 在DBN的顶层用Softmax分类器来微调整个网络参数进而提取深度特征, 最终使用HMM-GMM构件模型实现藏语语音识别. 基于DBN的藏语语音深度特征提取模型如图10所示.

对于预训练阶段, 首先单独训练一个RBM, 再把该RBM的输出作为下一个RBM的输入, 依次逐层叠加训练. 对于训练阶段, 待预训练结束后可根据误差大小使用误差传播 (Back-Propagation, BP)算法进行有监督训练进行权值微调从而到达自动修正层次之间权值的效果, 最终形成具有深层结构的神经网络^[23].

3.3.3 SAE

利用SAE对传统的MFCC声学特征进行深度学习以提取深度特征. SAE进行特征提取的过程就是将声音频率转换为听觉神经稀疏触动信号的过程, 是一种有监督的、简单的深度特征提取方法^[17]. 同DBN深度特征提取模型类似, 把提取的藏语语音MFCC特征输入到SAE网络中进行逐层迭代, 在网络顶层增加Softmax分类器来细微调整全网络的逐级参数, 最终提取得到深度学习特征. 与DBN不同的是SAE采用自下而上的逐层无监督预训练和自上而下的权重调优方式来获取语音深度特征, 这样就能成功地摆脱了参数局部最优和非稀疏性问题^[29]. 基于SAE的藏语深度特征提取模型如图11所示.

对于训练阶段, SAE的训练过程和DBN训练过程一样, 使用贪心逐层预训练算法. 使用逐层贪心训练算法训练SAE参数进行有监督的特征提取分为预训练和微调两步. ① 预训练时将无标签的数据样本采用无监督的方法训练网络获得参数; ② 微调时将预训练后带标签的结果数据使用BP算法对所有层的参数同时进行微调, 最终提取到深度特征. 在识别阶段, 同样将待识别语音经过SAE进行特征提取, 再将特征传入已经训练好的代表听觉中枢的HMM模型中进行解码, 最终实现语音识别.

3.3.4 LSTM

采用LSTM的输出激活与传统的MFCC声学特征相结合通过降维以提取深度特征^[18]. 以提取的N维MFCC作为输入, 经网络迭代生成M维输出激活, 将此M维输出激活与N维MFCC特征相结合, 生成M+N维特征, 然后使用主成分分析(Principal Component Analysis, PCA)算法进行降维并提取最重要的R( N<R<M+N)维Tandem特征作为HMM-GMM模型的输入, 最后进行训练^[25]. 基于LSTM的藏语特征提取流程如图12所示.

对于训练过程, 需经过步骤: (1)将输入的藏语语音信号通过预处理, 再提取出N维MFCC特征; (2)将提取的N为特征输入到LSTM网络中处理, 后输出M维激活(也就是文本语料库中音节的后验概率); (3)将M维输出激活与N维MFCC特征结合生成M+N维特征, 使用PCA提取R维Tandem特征; (4)将R维Tandem特征输入HMM-GMM模型进行训练.

对于识别过程, 首先, 需经过训练过程的步骤处理. 其次, 对照HMM模型库, 将最相似模型的对应文本作为输出完成识别.

3.4 技术小结

不同的藏语语音识别技术根据其特点应用到不同的场景中. 3种技术方法各自不同的特点如表6所示.

基于模板匹配的藏语语音识别是简单而易实现的方法, 但是其局限在于仅适用于小词汇量孤立词、短语、短句的识别系统; 基于统计概率模型的藏语语音识别就是基于声学模型和语音模型的语音识别方法, 建模过程较为复杂, 其可适用于大词汇量的连续语音识别, 但由于其在声学建模过程中使用的每帧MFCC特征包含较少的语音信息量, 故抗噪声性能力弱并且易受噪声污染; 基于深度神经网络的藏语语音识别是具体高抗燥能力以及高识别效率的大词汇量连续语音识别方法, 由于深度网络的训练过程较为复杂, 导致整个方法在实现上较为困难.

4 存在问题

藏语语音识别技术比英汉语音识别技术在研究实现上存在的困难要多得多. 目前主要存在的问题有如下这些:

(1)在藏语表述中, 协同发音出现的情况较普遍, 故在语音端点检测时分割各语音基元(如词、音节、音素)间的边界比较困难, 在研究中可以考虑使用后音节对前音节元音尾作用的共振峰过渡回归方程来解决协同发音问题.

(2)藏语虽分为卫藏、康巴、安多三大方言, 但它们各自的下属方言还比较多. 在研究中, 基本采用一些代表性的方言进行研究, 例如卫藏方言以拉萨话为代表, 安多方言以青海藏语为代表. 因此, 在研究结果应用上仍然存在较多困难. 对于这些问题, 目前只能采取“因地制宜”的研究策略.

(3)到目前为止, 尚未有比较权威的研究用藏语语音语料库资源, 这就导致绝大多数的研究都是基于自己研究应用领域的私人语音语料进行的, 造成研究的局限以及在一定程度上阻碍了藏语语音识别的发展. 对于此问题, 寄希望于各大研究机构达成共识, 并共同创建具有代表性和研究价值的开放语音语料库.

(4)研究的人力和财力投入不足, 也严重阻碍了藏语语音识别的研究发展.

5 结论与展望

经过多年的研究发展, 藏语语音识别技术已经取得了良好的效果. 然而, 根据藏语各方言的发音特点, 可以在语音识别的语音去噪、端点检测方面进行技术优化来提高识别率, 其研究空间仍然很广阔. 随着深度学习软硬件资源的不断发展, 具有自学习能力、高抗噪能力和高识别率的深度学习神经网络将会成为藏语语音识别技术研究的热点和重点, 这将是未来藏语语音识别研究的趋势.