李卓茜,高 镇,王 化,刘俊南,朱光旭

(1. 天津大学 电气自动化与信息工程学院，天津 300072；2. 因诺微科技(天津)有限公司，天津 300392)

0 引言

语种识别技术能够根据给定语段判定语言的种类，在语音、语种、声纹识别、机器翻译、通信和信息检索等领域有较为广泛的应用[1]，不仅为我们的生活带来了便利，同时也为不同民族和国家之间的沟通架起了桥梁。当前语种识别技术对长语段识别的准确率已经足够好，但对短语音(时长小于10s)及易混淆语种的识别还有待提升。短语音存在语段特征中有效数据不足、易受多种噪音干扰、无法充分表达语种信息等问题；而易混淆语种存在语音特征中差异信息较弱的问题。本文针对时长小于等于1s的短语音及易混淆语音的语种识别进行了研究。

语音特征的选取是影响语种识别准确率的关键因素之一。语音中包含着丰富的信息，按照从低到高的层次可依次划分为声学层、韵律层、音素层、词法层和句法层。语种识别主要采用声学特征和音素特征。声学特征为基础特征，主要描述语音信号的物理特性(如强度、频率)。常用的有基于人耳听觉模型的梅尔倒谱系数(mel-frequency cepstral coefficient, MFCC)特征、梅尔滤波器组(mel-scale filter bank, Fbank)特征和移位差分谱特征[2]。相比声学特征，音素特征能够更有效地利用上下文的相关性。常用的有移位差分音素对数似然比特征(shifted delta-phone log likelyhood ratio，SD-PLLR)[3-4]和深度瓶颈层特征(deep bottleneck feature，DBF)[5]。

语音特征建模对于识别结果同样至关重要，语种识别系统依据声学单元的统计差异对声学特征进行建模，依据不同语种间音素的搭配关系对音素特征进行建模。……