汉语连续语音识别结果评价算法研究

ｔ ｌ
。
ｔ Ｍ
图１识别结果ｉｆ问题 ￣ｌ ＂
．
１３ ３
哼 逼 ｉ ｏ ｕａｎ 西 怯 Ｃ ａｍ ｎｔｓ ｈ ｍｉｉ ｎ Ｃ ｃ ｏ
（） １１Ｖ ，表 示 ｎ个参考词被识 别为一个词 １ Ｅ ： Ｓ ３ １ 输 出 （ ２ ，如 参考 文本 的两个 词 ［ 】应 】 识 ｎ ） 是 ［ 被 别为一个词 ［ 适应 ］ ，此时进行 匹配 ，会产生很多 的 虚假删除 、替代错误。 （） ２ １ Ｓ ，表示 １ ２Ｅ ： Ｖｎ 个参考词被识别 为 ｎ个词 输 出 （ ２ 如 参考 文本 中 的一个 词 ［ 踏 ］ 识 ｎ ） 践 被 别 为 两个词 ［ Ⅱ他 ］ 件 ，此 时进 行 匹配 ，会产 生很 ｂ ．路 径得分 多的虚假插入 、替代错误 。 图２匹配路径及路径得分 （） ３ ｎ ｓ 表示 ｎ个参考词被识别 为 ｎ个词 ３ Ｅ ： ｖｎ 输 出 （ ２ ， ［ ｎ ） 如 曾经 】使 】 ［ 被识 别为 ［ ］金石 】 曾 【 ， 输 出 ．其典型格式如 下所示 ： Ｏｖ ｒ ｌ Ｒｅ ｕ ｔ ． ．．．．． ．．． ． ｅ ａｌ ｓ ｌ ．．．．． ．．．． ． ｓ．．． ．．．． ．．． 此时进行匹配 ，会增 加一些虚假的替代错误 。 ．．． ．．． ．．．． 综上所述 在 汉语语音识 别的结果评价 中 采 Ｓ ＮＴ ％ Ｃｏ ｒｃ＝ ５７ 『 ｌ ７ ２ ＝１ ０ ３ Ｅ ： ｒｅ ｔ ５ ．９ Ｈ＝ ２ １ ，Ｓ ０ ７ ， 用传统算 法进行基于词 的结果分 析时 ，会产生很 多 Ｎ＝２ ７ ５ ２８１ Ｄ，Ｉ ） ，ｓ ，特别是 产生大量 的虚 Ｗ ＯＲＤ： ％Ｃｏｒ ８ ．８ Ａｃ ＝ ６４ Ｈ＝ｌ ５ ６ ， 虚假 的 匹配 错误 （ ｒ＝ ７ ５ ， ｃ ８ ．７ ｆ ５ ８ ６ 假 Ｄ和 Ｉ 错误 。这也是 常见 汉语语音识 别结果评价 Ｄ ４ ７ ， ＝ ７ ２ ，＝ ９ ８ Ｎ＝Ｉ ７ ６ １ ＝ ８ ４ Ｓ Ｉ２ ３Ｉ １７ ， ７ ９ ３ 中匹配单 元采用字的原 因。
ＢＲ ＡＤ ＡＮ ＆ ＤＩＩ Ｎ Ｅ Ｔ Ｏ Ｂ Ｄ ＧＴ ＣＯ Ｔ Ｎ ＡＬ
宽带 与数字 内容
。
引言
合Baidu Nhomakorabea评价算法 ， １ 第 Ｖ部分 为算法实现 ， 最后 为总结。 Ｉ 传统语音识 别结果评价算法 Ｉ ．
连续语音识 别结果评价 ，主要用来 完成连续语 音识 别系统的性 能评 价 ，以及 为语 音识 别后 处理研 究（ 如置信 度标 注 ） 供有 用 的信 息 。在 语音 识别 提 系统 性能评价 中．通 常只需要 得到正确 识 别率 （ 或 错误 识别率 ） 即可 ，而语 音识 别后处理 通 常需 要更 为详细 的信息 ，即确定 每个字或词 的具体识 别结果 评价 信息 （ 有 四种 情 况 ： 共 正确 、插 入 错误 、删除 错误 、替代错误 ） 。 传统的语音识 别结果评价 算法 ，通常采用 动态 规划算法得 到识别输 出与参考文本 之间的最佳 匹配 结果 ，Ｈ Ｋ 中的 ＨＲ ｓｌ 工具是完成这一算法的典 Ｔ ｅｕ ｓ ｔ 型代表 ［］ １。在进行匹配时 ，匹配 单元可 以是词 ，也 可 以是字 、音 素等 ，在汉语 连续语音 识别 中，通 常 采用字作为匹配单元 ，如 ８ ３ ６ 语音 识别评 测 ［］ ２ ，而 基于音素 的匹配通常是在 只需要评价 声学模型 性能 的时候使 用。基于词 的匹配 由于会产 生一些错误 匹 配 ，而很少使用 。 由于 语 音识 别 中通 常采 用基 于 词 的语 言 模 型 ［ ，网络 搜索也是分 为词 内和词 间搜 索进行 的 ［】 ３ ］ １ 因此很 多时候需要得 到基于词 的识别结 果分析 。例 如 在语音 识 别的置信 度研 究 中 ，相 对于音 节 来说 词 的置信 度特征更容 易获得 ，因此很 多置信 度研究 都是基于词来进行的 ［］ ４，但是由于基于词的语音识 ４ 别结果评价 不够准确 ，严 重影响 了置 信度评价 的性 能。 因此 ．如何 得到基于词 的汉语语 音识别结 果评 价是一个值得研究 的问题 。 本 文 分 析 了基 于 词 的汉 语语 音 识 别 结果 评价 产 生 错 误 的 原 因 ．对 ＨＴ 的 识 别 结 果 评 价 工 具 Ｋ ＨＲ ｓｌ 进 行 了改进 提 出一种基 于字词 混合 的语 ｅｕｔ ｓ 音 识别结果评 价算 法。该算法 分 为三 个部分 ： 基于 字词 混合的 匹配平 面定义 、多匹配路径及路 径得分 函数设 计。为 了给语 音识别后处理 提供 更多可用 的 信息 ，论文对传统算法的替代错误情况进行 了扩展 ， 增加 了插入式 替代错 误和删 除式替代错误 ，并设计 了基 于 发音基 元 的得分 函数 进行 判 断。实验 表 明， 本文所提 算法可 以有 效降低传统评 价算法带 来的虚 假错误 ，提 高基于词 的汉语连续语 音识别结 果的评 价精 度 ，并可为语音识 别后 处理提供 更多可 用的信
持 ＵＳＮ Ｓ ＩＴ的匹配得分定义 （，３， ） ３ ４。最佳 匹配结 果是具有最小 匹配得分 的路径 。 Ｈ ｅｕｔ 支持 ｗ ｒ ｓｎｅｃ 两个层次的结果 Ｒ ｓｌ ｓ ｏｄ和 ｅｔ ｅ ｎ
Ｒ
ｒ Ｎ
论 文安排如下 ，第 １部 分介绍传统语音识 别结 Ｉ 果评价算法 。第 １ 部分介绍本文提 出的基于字词混 Ｉ Ｉ
息。
连续语音识 别结果 的评价 ，是通过将语音 识别 输 出序 列 和参考 文本序 列 （ 正确标 注文本 ） 进行 比 较得到 的。图 １ 出了这一 问题 的描述 ，其 中横轴 给 Ｔ表示识 别输 出序列 （ｅｔ，纵轴 Ｒ表示参考文本序 Ｔｓ ） 列 ，ｔ表示识 别输 出序列 Ｔ中的第 ｉ 匹配单元 ，ｒ ｉ 个 ｓ 表示参 考序列 Ｒ中的第 ， 匹配单元 。由于输 出序 个 列和参考序 列可 以是词 序列 、音节序列 或音素序列 等（ 二者一般采用相 同的形式 ） ，因此匹配单元也可 以是词 、宇 、音 素等。语音识 别结果评价 算法就是 要在 Ｒ Ｔ平面上 找到一条最佳 的匹配路径 ．使得沿 ． 着这条路径 的匹配得分 最小 ，通 常采 用动态规划算 法进行匹配 ，Ｈ ｅｕｔ是 实现这一 算法的典 型工具 。 Ｒ ｓｌ ｓ 在 该算法 中 ，匹配路径和 匹配得分 的定 义直接影 响 匹配的结果 ，下面结合 Ｈ ｅｕｔ进行说 明。 Ｒ ｓｌ ｓ ２ １ Ｈ ｓｌ 简 介 ． Ｒｅｕｔ ｓ Ｈ Ｋ是 一个构建 隐马 尔可夫模型 （ ＭＭ） Ｔ Ｈ 的工 具包 ，主要用于语音识别研究 ，Ｈ ｅｕｔ 是 Ｈ Ｋ 中 Ｒ ｓｌ ｓ Ｔ 用于语音识别结果评价 的工具 ［ 。 １ ］ 在 Ｈ ｅｕｔ 中 ， 匹配 路 径 只 有 三 种 ： 平 方 Ｒ ｓｌ ｓ 水 向、对 角线 方 向 和垂 直 方 向。水 平 方 向表 示 插入 错误 （ ，垂直 方向表 示删除 错误 （ ） Ｉ ） Ｄ ，对 角线 方向 表示正 确 （ 别输 出与参考 文本 相 同，Ｈｔ 或替代 识 ｉ ） （ 别输 出 与参考 文本不 同 ，ｓ 错误 ，如 图 ２ａ 所 识 ） （） 示。针 对不 同的匹配路径采 用不 同的匹配得分 ，令 ｃ ｏ表 示 路 径 匹 配 得 分 ，则 有 Ｃ Ｈ ＝ ｃ ｓ： Ｏ （ ）０ （） ｌ ． Ｃ Ｄ ＝ （ ＝ ，如图 ２ｂ 所 示。同时 ，Ｈ ｅｕ ｓ 支 （ ）Ｃ Ｉ ７ ） （） Ｒ ｓｌ 也 ｔ