基于N-gram模型的哈薩克語語音識別及處理技術(shù)研究

孫曉杰

（伊犁師范學(xué)院電子與信息工程分院 新疆 伊寧 835000）

1 引言

哈薩克語作為一種黏著性較強的語言，這也使該語言的語音識別較為困難，依據(jù)其語言特征，哈薩克語的形態(tài)及構(gòu)詞都是由詞綴與詞根組成的，不同詞綴的連接都有著不同的結(jié)構(gòu)及語法意義，這也使許多學(xué)者致力于對哈薩克語的語音識別與處理技術(shù)研究。在以往的語音識別技術(shù)中，主要是基于機器學(xué)習(xí)的方法來實現(xiàn)的，但對于大詞匯量連續(xù)語音的識別則存在明顯不足，而哈薩克語的連續(xù)性非常強，這也使傳統(tǒng)的機器學(xué)習(xí)方法難以適用于哈薩克語的語音識別。而N-gram模型的出現(xiàn)，則為哈薩克語的語音識別與處理提供了可靠的技術(shù)保障。為此，以下便對N-gram模型在哈薩克語語中的語音識別與處理技術(shù)進(jìn)行深入的研究。

2 N-gram模型在哈薩克語中的語音識別與處理技術(shù)研究

2.1 構(gòu)建文本數(shù)據(jù)庫

N-gram模型在對哈薩克語進(jìn)行語音識別之前，需要構(gòu)建相應(yīng)的文本數(shù)據(jù)庫，通過對語音文件中的相關(guān)信息進(jìn)行提取，并將其與文本數(shù)據(jù)庫進(jìn)行匹配，進(jìn)而達(dá)到語音識別的目的。在本文中，N-gram模型構(gòu)建的文本數(shù)據(jù)庫在數(shù)據(jù)來源上主要包括四個方面，分別是平面媒體、新聞媒體、教材媒體與在線電子資源。在上述數(shù)據(jù)來源中按照類型將其分別存儲到磁盤的不同目錄中，以便于后續(xù)進(jìn)行管理與加工處理，對相關(guān)信息進(jìn)行提取，然后將其存儲到相應(yīng)的關(guān)系數(shù)據(jù)表中。關(guān)系數(shù)據(jù)表具備如下屬性，其一，原文件信息，其是指原始文件的存儲路徑以及文件名等信息；其二，原文件類型；其三，文本文件，對原始文件中的文本進(jìn)行提取，并進(jìn)行句子切分、符號轉(zhuǎn)換、錯誤修正等處理后，使其處理為純文本，并存儲到特定的文件中。本文所采用的URI串能夠為不同的文件匹配不同的名字串。其四，文檔處理狀態(tài)是指該字段所處的當(dāng)前狀態(tài)，其狀態(tài)類型主要包括正在處理狀態(tài)、完成狀態(tài)、錯誤狀態(tài)、副本狀態(tài)及瑕疵文本狀態(tài)；其五，關(guān)鍵詞能夠?qū)ξ谋緦傩灾邪年P(guān)鍵詞字符串進(jìn)行描述。在構(gòu)建文件數(shù)據(jù)庫時，需要控制其數(shù)據(jù)冗余，也就是在數(shù)據(jù)庫中進(jìn)行文本添加時預(yù)防不同文件URI中出現(xiàn)相同的文檔內(nèi)容。對數(shù)據(jù)冗余的控制主要有兩種方法，分別是基于URI的冗余控制與基于文件內(nèi)容的數(shù)據(jù)冗余控制。第一種控制方法需要在每次添加文件時對URI進(jìn)行檢查，第二種控制方法利用哈希算法對文本的哈希值進(jìn)行計算，然后與已添加文件的哈希值進(jìn)行對比，以此達(dá)到數(shù)據(jù)冗余控制的目的。

2.2 處理被提取文本

在對原始文件中的文本提取后是不能直接使用的，它還需要對文本進(jìn)行進(jìn)一步的處理才能使用。其在文本處理中共分為以下步驟，其一是對字符編碼進(jìn)行處理，在哈薩克字符中經(jīng)常出現(xiàn)UNICODE編碼問題，因此在進(jìn)行處理時，應(yīng)對哈薩克字符的編碼格式進(jìn)行統(tǒng)一，通常情況下可以采用UKK編碼；其二，對句子進(jìn)行切分，在對字符的編碼格式進(jìn)行統(tǒng)一后，需要依據(jù)文本中的句號、感嘆號、問號等符號來對句子進(jìn)行切分，然后將切分后的句子作為一行存儲到相應(yīng)的文本文件中。其三，對縮略詞進(jìn)行替換，在哈薩克語的新聞類文本中包含有許多縮略詞，在進(jìn)行處理時需要將這些縮略詞替換為相應(yīng)的擴(kuò)展形式。N-gram模型利用正則表達(dá)式來搜索文本，進(jìn)而找出所有與縮略詞相匹配的字串，并通過人工挑選的方式對哈薩克語縮略詞進(jìn)行選出，然后對這些縮略詞的擴(kuò)展形式進(jìn)行添加。其四，數(shù)字?jǐn)U展，在哈薩克語的原始文本中包含著許多阿拉伯?dāng)?shù)字符號，這些阿拉伯?dāng)?shù)字符號主要包括序數(shù)詞與基數(shù)詞，由于在哈薩克語的句子中各個單詞都是由空格進(jìn)行分隔的，因此在對待處理文本進(jìn)行讀取時，可以先對句子進(jìn)行切分，然后再對詞進(jìn)行切分，這樣較為容易實現(xiàn)。在切分完畢后按照詞串的順序來對單詞進(jìn)行提取，對單詞是否是由純數(shù)字字符組成進(jìn)行判斷，當(dāng)判斷其是由純數(shù)字字符組成時，可將其當(dāng)作一個基數(shù)詞，并調(diào)用基數(shù)詞轉(zhuǎn)換過程使其成為相應(yīng)的文字形式，如果判斷其不是由純數(shù)字字符組成的，則需要對數(shù)字符號后的“-”進(jìn)行檢查，如果檢查出存在該符號，則將其當(dāng)作序數(shù)詞來進(jìn)行文字轉(zhuǎn)換。如不存在，可以判斷該句子出現(xiàn)拼寫錯誤，需要將其從文本中刪除。

2.3 處理重復(fù)句子

在數(shù)據(jù)庫中對文本進(jìn)行添加時，會生成大量的重復(fù)語句，這些重復(fù)語句有許多都是廣告詞語或標(biāo)題，因此需要對這些重復(fù)句子進(jìn)行篩選與刪除。可通過句子計數(shù)過濾器來實現(xiàn)重復(fù)句子的刪除，在該過濾器中主要是依據(jù)各個句子的哈希值來對其在語料中的出現(xiàn)次數(shù)進(jìn)行計算當(dāng)，當(dāng)哈希值超出規(guī)定閾值時，便對后面同樣的句子進(jìn)行刪除。如果句子的出現(xiàn)次數(shù)較少，但其中包含有較多復(fù)雜數(shù)字符號、集外詞及外文字符時，可以通過錯誤句子過濾模塊來對其進(jìn)行處理。

3 哈薩克語語音識別N-gram模型

在連續(xù)語音識別中構(gòu)建語言模型具有十分重要的意義。哈薩克語的聲學(xué)信號具備很強的隨機性與動態(tài)時變性，僅利用聲學(xué)模型來對其進(jìn)行匹配與判斷，是很難對其進(jìn)行準(zhǔn)確識別的，對于一個高效的語言模型來說，其不僅能壓縮搜索空間，還應(yīng)具備較高的識別準(zhǔn)確率?，F(xiàn)階段，N-gram統(tǒng)計語言模型的使用范圍非常廣泛，可以利用N-gram統(tǒng)計語言模型為哈薩克語提供上下文的關(guān)聯(lián)信息，進(jìn)而有效彌傳統(tǒng)聲學(xué)模型中的不足。N-gram語言模型主要是對單詞序列的概率進(jìn)行計算，此外還可以通過更小單位的使用來構(gòu)造詞典，進(jìn)而使詞匯變得更大。本文便對哈薩克語語音識別N-gram模型進(jìn)行了構(gòu)建，利用N-gram模型分別對哈薩克語的單詞及音節(jié)進(jìn)行識別，并進(jìn)行效果對比。在單詞N-gram語言模型中，將哈薩克語詞典中的各個符號作為單詞，在音節(jié)N-gram語言模型中，通過設(shè)置單詞分割令牌來進(jìn)行處理。利用SRI語言模型訓(xùn)練工具來對上述兩個N-gram語言模型進(jìn)行訓(xùn)練，并利用Kats模型對哈薩克語中的低頻詞與未登錄詞進(jìn)行平滑處理。

4 基于N-gram模型的哈薩克語語音識別及處理技術(shù)的效果驗證

4.1 語音數(shù)據(jù)及文本

利用文本來對語言模型進(jìn)行訓(xùn)練，在該文本中包含有10754245個單詞，不重復(fù)單詞為652538個。本文所采用的語音識別方式為朗讀式語音，利用貪婪算法來選出4000條句子，將這些句子劃分為10組，每組中包含有400個句子，由100名發(fā)音人構(gòu)建語音語料庫，利用智能手機對語音進(jìn)行錄制，設(shè)定采樣單位為16bit，采樣頻率為16kHz，總語音時長為100h，其中訓(xùn)練集時長為90h，測試集為10h。

4.2 困惑度驗證

利用困惑度來衡量語言模型，根據(jù)各個音節(jié)中的困惑度來替代單詞數(shù)，為了使單詞N-gram模型與音節(jié)N-gram模型能夠進(jìn)行比較，需要對音節(jié)困惑度進(jìn)行計算。在實驗中將4000句朗讀文本當(dāng)作測試集，在該測試集中共包括46244個單詞，并對上述兩種N-gram語言模型的覆蓋值進(jìn)行計算，其實驗結(jié)果為單詞N-gram語言模型的單位數(shù)量為60000個，單節(jié)N-gram語言模型的單位數(shù)量為32782個，集外詞所占比例分別為19.8%與0.03%，命中率分別為19.4%與98.4%，困惑值分別為4600與64600。從上述實驗結(jié)果了解到，音節(jié)N-gram語言模型能夠?qū)y試數(shù)據(jù)集進(jìn)行更好的覆蓋，不過其困惑度和英語150之間的結(jié)果相比較也是比較高的，這是因為哈薩克語所具備的黏著性特性所產(chǎn)生的。比如，對于一個哈薩克語單詞來說，其連接構(gòu)詞與構(gòu)型附加成分能夠產(chǎn)生幾種甚至幾十種不同的變體，依據(jù)實驗數(shù)據(jù)表明，單詞N-gram模型在困惑值上則明顯較低，這是因為該語言模型并沒有對集外詞進(jìn)行考慮，而且在該模型中的集外詞所占比例將近20%，如果該模型對集外詞問題進(jìn)行考慮，則其困惑度必然會大幅增漲。

4.3 連續(xù)語音識別效果驗證

將上文中所構(gòu)建的單詞N-gram語言模型與音節(jié)N-gram語言模型在連續(xù)語音識別效果方面進(jìn)行驗證，利用上述兩種N-gram語言模型對哈薩克語中的34個音素進(jìn)行建模，在聲學(xué)模型構(gòu)建中則采用上下文結(jié)構(gòu)的隱馬爾科夫模型，模型中的特征向量則采用維數(shù)為39的梅爾頻率倒譜系數(shù)，該系數(shù)共包括12階倒譜系數(shù)，依據(jù)哈薩克語的發(fā)音特點，將各個音素設(shè)置為5個輸出狀態(tài)，而靜音模型中則設(shè)置3個輸出狀態(tài)，在各個狀態(tài)中包含了16個高斯混合模型，同時利用HTK工具對聲學(xué)模型進(jìn)行訓(xùn)練，訓(xùn)練結(jié)果表明，單詞N-gram語言模型的連續(xù)語音錯誤識別率為29.45%，而音節(jié)N-gram語言模型的連續(xù)語音錯誤識別率則為32.78%，由此說明，音節(jié)N-gram語言模型在連續(xù)語音識別方面有著更好的表現(xiàn)，而音節(jié)N-gram語言模型雖然能夠構(gòu)造很大的詞匯表，但在詞與詞間的相關(guān)性及語義方面則較為缺失。

5 結(jié)語

本文通過對N-gram模型在哈薩克語語音識別與處理技術(shù)進(jìn)行深入的研究，以此構(gòu)建了相應(yīng)的單詞與音節(jié)N-gram模型，通過對這兩個模型在困惑度與連續(xù)語音識別中的應(yīng)用效果進(jìn)行驗證分析，以此探討，N-gram模型在哈薩克語語音識別與處理中的應(yīng)用。雖然實驗結(jié)果并不是太理想，但這也說明N-gram模型在哈薩克語連續(xù)語音識別中有著一定的輔助作用，能夠為后續(xù)相關(guān)語音識別軟件的開發(fā)帶來一定的啟發(fā)。