貴陽方言工廠指令識(shí)別*

李凱飛，徐凌樺

（貴州大學(xué)電氣工程學(xué)院，貴陽550025）

1 引言

語音識(shí)別技術(shù)在近些年發(fā)展得極為快速。基于語音識(shí)別技術(shù)的產(chǎn)品層出不窮，各類移動(dòng)設(shè)備、智能家具、智能機(jī)器人等都已集成語音識(shí)別功能，極大地便利了人機(jī)交互，方便了人們的生活。語音識(shí)別起源于1952年，貝爾實(shí)驗(yàn)室Davis等人創(chuàng)造出一個(gè)小型語音識(shí)別系統(tǒng)，可以識(shí)別10個(gè)英文數(shù)字發(fā)音[1]，并將其轉(zhuǎn)化為文本。近年來隨著技術(shù)的發(fā)展，語音識(shí)別準(zhǔn)確率不斷攀升[2-4]，但相關(guān)研究皆是針對英語或漢語普通話。我國是一個(gè)地大物博、人口眾多的大國，擁有五大語系，129種語言[5]，這些識(shí)別系統(tǒng)在面對地方方言時(shí)識(shí)別準(zhǔn)確率驟降，因此開發(fā)針對地方方言的語音識(shí)別系統(tǒng)很有必要。目前針對不同方言已有一些相關(guān)研究工作，文獻(xiàn)[6]提出一種基于深度神經(jīng)網(wǎng)絡(luò)的四川方言語音識(shí)別方法；文獻(xiàn)[7]基于Kaldi實(shí)現(xiàn)普米語語音識(shí)別；文獻(xiàn)[8]提出一種結(jié)合注意力機(jī)制和因果卷積網(wǎng)絡(luò)的維吾爾語方言識(shí)別方法。貴陽方言屬于西南官話的一支，貴陽常住人口中有近五百萬人使用方言交流，因此貴陽方言識(shí)別仍然具有一定的研究價(jià)值。

工廠環(huán)境是語音識(shí)別的一個(gè)應(yīng)用場景。在工廠環(huán)境中，涉及到任務(wù)調(diào)度或交接，工作人員需要通過對講機(jī)等通話設(shè)備對接或下發(fā)工作，若發(fā)生安全事故，造成經(jīng)濟(jì)財(cái)產(chǎn)損失或人員傷亡，究竟是操作人員自身的操作問題，還是上級(jí)錯(cuò)誤指派工作的問題，只是口頭上的對話沒有追責(zé)的依據(jù)，因此需要有相應(yīng)手段記錄進(jìn)行任務(wù)交接的對話過程，為日后查找提供相關(guān)證據(jù)。直接將語音進(jìn)行存儲(chǔ)需要占用大量的存儲(chǔ)空間，不合理，若能將其轉(zhuǎn)換為文本進(jìn)行存儲(chǔ)可以節(jié)省大量空間，滿足場景要求。

據(jù)此，嘗試基于Kaldi語音識(shí)別工具，構(gòu)建一個(gè)貴陽方言工廠指令識(shí)別系統(tǒng)。

2 Kaldi下指令識(shí)別流程

Kaldi是由美國約翰霍普金斯大學(xué)開發(fā)的語音識(shí)別工具[9]，是當(dāng)前最流行的開源語音識(shí)別工具。

Kaldi下指令識(shí)別與傳統(tǒng)語音識(shí)別流程大致相同，主要步驟包括：Kaldi格式下數(shù)據(jù)準(zhǔn)備及規(guī)范、特征提取、準(zhǔn)備字典、構(gòu)建模型、訓(xùn)練模型、解碼、評價(jià)。詳解如下：

Kaldi格式下數(shù)據(jù)準(zhǔn)備及規(guī)范：自制數(shù)據(jù)集由于格式問題，無法直接運(yùn)用在Kaldi特征提取中，因此需要預(yù)先處理，讀取音頻文件及對應(yīng)文本標(biāo)簽，生成相關(guān)文件，存儲(chǔ)說話人信息、音頻路徑、音頻名、每句話對應(yīng)的音素與文本等信息，為后續(xù)特征提取做準(zhǔn)備。

特征提取：語音信號(hào)含有大量數(shù)據(jù)，無法將其直接作為輸入?yún)?shù)訓(xùn)練網(wǎng)絡(luò)，而是需要在大量的參數(shù)中提取少量的特征。語音識(shí)別中常見的兩種特征為fbank和mfcc，前者通常使用在DNN聲學(xué)模型建模中，后者則常用在GMM聲學(xué)模型建模中。Kaldi中默認(rèn)的mfcc特征包括12維基礎(chǔ)mfcc、12維一階倒數(shù)、12維二階導(dǎo)數(shù)、1維能量、1維能量的一階倒數(shù)和1維能量的二階倒數(shù)，共組成39維。由于不同麥克風(fēng)及音頻通道影響，不同說話人不同音頻相同音素的特征都會(huì)相差較大，對于識(shí)別不利，因此特征提取完后需要進(jìn)行倒譜均值方差歸一化，得到均值0方差1的標(biāo)準(zhǔn)特征。

準(zhǔn)備字典：字典是音素與字或詞的對應(yīng)，是將聲學(xué)模型和語言模型聯(lián)系起來的工具。Kaldi首先核查準(zhǔn)備字典的相關(guān)文件，生成Kaldi下標(biāo)準(zhǔn)語言文件夾并創(chuàng)建ARPA格式語言模型（后綴名為3gram.lm），然后轉(zhuǎn)換成FST格式（后綴名為fst），最終形成一個(gè)龐大的詞匯庫，用于將音素組合成為字或單詞。

構(gòu)建模型：模型包括聲學(xué)模型和語言模型兩部分。聲學(xué)模型通過語音數(shù)據(jù)庫訓(xùn)練出來，輸入為特征，輸出為音素信息。聲學(xué)模型得到了語音對應(yīng)的音素信息，但是還需要組合成最通順的語句，這就需要語言模型，通過對大量文本信息進(jìn)行訓(xùn)練，得到字或詞相互關(guān)聯(lián)的概率。

訓(xùn)練模型、解碼、評價(jià)：構(gòu)建模型后需要訓(xùn)練，隨后解碼，將聲學(xué)模型、語言模型和字典這三部分整合在一起，實(shí)現(xiàn)語音到文本的映射。對于訓(xùn)練出來的模型，需要評價(jià)它的性能，一般采用的評價(jià)手段是測試集的字錯(cuò)誤率，錯(cuò)誤率越低模型性能越好。在Kaldi中，每構(gòu)建一個(gè)模型，都需要進(jìn)行此三步，評價(jià)每一個(gè)模型的性能。

3 實(shí)驗(yàn)過程

3.1 實(shí)驗(yàn)環(huán)境搭建

編譯Kaldi工具包對實(shí)驗(yàn)環(huán)境有的較高的要求，同時(shí)本實(shí)驗(yàn)中DNN訓(xùn)練需要用到GPU加速運(yùn)算，因此G++、GCC、cuda、cuDNN及顯卡驅(qū)動(dòng)有明確的版本對應(yīng)，本次實(shí)驗(yàn)環(huán)境詳見表1。

表1 實(shí)驗(yàn)環(huán)境配置

3.2 編譯Kaldi工具包

首先在GitHub下載好Kaldi數(shù)據(jù)包，從終端進(jìn)入Kaldi下tools文件夾，輸入extras/check_dependen cies.sh核查編譯Kaldi所必須的庫，其中包括G++、make、automake、autoconf、git、sox、gfortran、libtool、sub version、python。用“sudo apt-get install...”語句安裝所需庫，之后輸入sudo make編譯tools文件夾，再跳轉(zhuǎn)到src文件夾，執(zhí)行以下三步：

至此完成Kaldi的最終編譯。

3.3 自制數(shù)據(jù)集搭建

實(shí)驗(yàn)自制數(shù)據(jù)集包括四部分：語音音頻、對應(yīng)抄本、字典、噪聲。音頻集是由十名貴陽本地人在安靜的室內(nèi)通過手機(jī)麥克風(fēng)錄制完成，男女各半，年齡涵蓋20歲到50歲，每人錄制300條音頻，每個(gè)音頻包含一條方言指令、對應(yīng)一個(gè)TXT抄本文件，抄本文件由三人完成，保證音頻與文本相對應(yīng)。錄制三種工廠常見噪音：板切割及電器設(shè)備焊接、汽車生產(chǎn)車間、電機(jī)轉(zhuǎn)動(dòng)帶動(dòng)傳送帶，混合三種噪聲得到七種噪聲，將七種噪聲與純凈的音頻混合，得到24000條音頻，訓(xùn)練集包括16800條音頻，交叉驗(yàn)證集包括2400條音頻。測試集包含純凈測試集和帶噪測試集，用來測試系統(tǒng)魯棒性。純凈測試集包括600條音頻；帶噪數(shù)據(jù)集包括4200條音頻。實(shí)驗(yàn)數(shù)據(jù)集具體情況如表2所示。

表2 數(shù)據(jù)集的數(shù)據(jù)構(gòu)成

3.4 訓(xùn)練步驟詳解

由于Kaldi對內(nèi)存占用率非常高，防止內(nèi)存不足報(bào)錯(cuò)，采用單步運(yùn)行如下：

第1步：單音素HMM模型訓(xùn)練（mono）：首先進(jìn)行訓(xùn)練迭代，迭代后對齊，得到單音素模型（final.mdl），建立識(shí)別網(wǎng)絡(luò)，輸出有限狀態(tài)轉(zhuǎn)換器（HCLG.fst），計(jì)算WER，最后再進(jìn)行一次對齊，以便于下一步驟的三音素訓(xùn)練；

第2步：三音素HMM模型訓(xùn)練（deltas）：與單音素基本相同，區(qū)別在于三音素訓(xùn)練需要進(jìn)行決策樹狀態(tài)的綁定，對單音素所有狀態(tài)的特征做擴(kuò)展，綁定上下文得到三音素狀態(tài)對應(yīng)的特征集合；

第3步：最大似然線性變換訓(xùn)練（lda_mllt）：通過線性變換可以提取區(qū)分能力較強(qiáng)的特征向量，常用的方法有線性判別分析（LDA）和最大似然線性變換（MLLT）。此二法可以依據(jù)標(biāo)注信息，估計(jì)一組線性變換系數(shù)，增強(qiáng)輸入特征表達(dá)能力；

第4步：說話人自適應(yīng)訓(xùn)練（sat）：使用特征最大似然線性回歸（fMLLT）技術(shù)進(jìn)行說話人特定的特征變換，得到的新特征重新訓(xùn)練GMM模型；

第5步：quick模型訓(xùn)練（quick）：此階段不進(jìn)行任何類型的特征空間學(xué)習(xí)，要做的只是綜合利用先前訓(xùn)練得到的模型的優(yōu)點(diǎn)構(gòu)建當(dāng)前模型；

第6步：深層神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練（DNN）：此階段訓(xùn)練主要包含兩個(gè)網(wǎng)絡(luò)：特性變換網(wǎng)絡(luò)和DNN網(wǎng)絡(luò)。特性變換網(wǎng)絡(luò)用于將低維特征擴(kuò)展到高維特征，節(jié)省磁盤空間和吞吐量。特性變換網(wǎng)絡(luò)含有3個(gè)隱藏層，各層維度為40-440-440-440，產(chǎn)生9000個(gè)參數(shù)；DNN網(wǎng)絡(luò)含有9個(gè)隱藏層，各層的維度為440-1024-1024-1024-1024-1024-1024-1024-3456-3456，主要是Affine Transform層（仿射變換）和Sigmoid層（非線性映射），產(chǎn)生1200000個(gè)參數(shù).另外，在DNN訓(xùn)練中，需要用到CUDA來調(diào)用GPU實(shí)現(xiàn)并行加速。

4 實(shí)驗(yàn)結(jié)果分析

實(shí)驗(yàn)采用測試集的音素錯(cuò)誤率和字錯(cuò)誤率來表征各個(gè)階段模型的性能。其中PER1表示純凈測試集音素錯(cuò)誤率，PER2表示帶噪測試集音素錯(cuò)誤率，WER1表示純凈測試集字錯(cuò)誤率，WER2表示帶噪測試集字錯(cuò)誤率，具體數(shù)據(jù)見表3。

表3 不同訓(xùn)練階段的錯(cuò)誤率對比單位：%

為了更直觀表示識(shí)別結(jié)果的變化規(guī)律，由表3數(shù)據(jù)繪制折線圖，如圖1。由圖1可以看出，隨著訓(xùn)練步驟的進(jìn)行，識(shí)別錯(cuò)誤率逐步降低；在相同訓(xùn)練步驟下在純凈測試集中加入噪聲，錯(cuò)誤率會(huì)顯著上升，但隨著訓(xùn)練步驟進(jìn)行到最后一步DNN，純凈和帶噪數(shù)據(jù)集錯(cuò)誤率已相差不太大，證明最后訓(xùn)練出來的DNN模型具有較好的魯棒性。

圖1 不同訓(xùn)練階段的錯(cuò)誤率變化

5 結(jié)束語

從語音識(shí)別的發(fā)展歷程、方言識(shí)別的研究背景、語音信號(hào)到文本的轉(zhuǎn)換流程方面綜合考慮，針對當(dāng)下工廠環(huán)境中口頭任務(wù)調(diào)度交接依據(jù)性差、事故追責(zé)困難的問題，對工廠環(huán)境下指令識(shí)別的研究具有實(shí)際意義。以自制的貴陽方言工廠指令數(shù)據(jù)集作為數(shù)據(jù)，以Kaldi為框架，實(shí)現(xiàn)指令識(shí)別整體流程。期間用到的數(shù)據(jù)處理、特征提取方法及關(guān)鍵訓(xùn)練算法都有詳細(xì)說明，最終搭建完成指令識(shí)別系統(tǒng)。對比六種訓(xùn)練出來的模型，DNN模型具有最低的識(shí)別錯(cuò)誤率，魯棒性良好，滿足工廠環(huán)境下應(yīng)用要求。