基于Android 智能手機的語音庫自動構建研究

孫亞鵬，王嘯飛

（湖南科技大學計算機科學與工程學院，湘潭411201）

0 引言

隨著語音技術的迅速發展，語音庫作為其中的重要一環凸顯了越來越重要的作用。一個高質量的語音庫，在語音應用的各種重要領域，例如語音合成、語音識別、情緒感知、人機交互等，可以獲得更好的效果。

傳統的語音庫的構建，需要經過一系列的人工工作過程，例如文本處理、語料處理、語音錄制、語音處理、語音存儲等。使用傳統的構建方法時，整個過程耗時長、受到地域限制多、花費大、人工處理誤差大一致性不好。考慮到這些因素，結合現在正在蓬勃發展和普及應用的Android 智能手機，可以開發一個基于智能手機的語音庫自動構建的App。通過該App 可以在服務器端或者管理端預先設置好需要錄音的文本，然后用戶打開App 后，根據現實的文本，在提示下進行朗讀，獲得朗讀錄音后，進行濾波去除噪聲，然后進行語音的切分對齊，最后將一一對應好的語音和文本存入語音庫。下面將進一步進行闡述。

1 文本處理

語音的發音是基于文字的，所以需要先確定好文本內容和格式，App 可以設置多種格式文本進行顯示，可以是字、詞、句、段落和文章。在服務器端或者管理端，將需要朗讀錄音的文本，按照需要的格式進行錄入。完成后，用戶在App 上將看到按照設定的格式一個一個顯示的文本內容，就可以在提示下進行錄音操作。

2 語音錄制

語音的錄制時語音庫構建的一項關鍵性工作，其效果直接決定了語音庫的質量高低。用戶在App 上的朗讀指定的文本進行語音錄制時，其操作簡單明了，在這個環節除了對用戶的錄制過程進行一定的指導外，還有一些工作可以提高語音錄制的效果。例如說在推廣App 的使用時，可以在選定特定的用戶群體上下一些功夫，若是錄制的是標準普通話，則可以分析用戶數據，更多的選定一些大學生、教師等一些群體進行推廣錄制；若是錄制的是某種方言，則選定這個方言的聚居區一定年紀的人群進行推廣錄制；若是要求的是女性或者男性語音用來做合成，也可以根據需要進行靈活選擇，以此為基礎，能夠完成一些專業化特色化語音庫的快速構建。

3 語音濾波去噪

由于語音在錄制過程中是使用用戶智能手機的App 軟件在開放環境下進行錄制的，不是在錄音棚之類的專業環境下，所以很可能帶有一些噪聲，另外電子設備在工作環境下也會自帶噪聲干擾。對錄制的語音進行濾波去噪是一種必要的預處理操作。

在進行語音濾波去噪處理時，首先要進行的是將長段的語音數據分割為短段的語音數據，這是考慮長段的語音數據在統計上是不平穩的，我們需要先將之處理為合適的平穩的語音數據。在實踐中漢明窗和矩形窗經常被用來處理這個問題，這里使用選擇漢明窗進行分幀處理。其分幀組幀處理如圖1 所示。

接下來需要進行參數估計，考慮到實時性要求，采用端點檢測法來區分語音段和噪聲段，通過兩段功率譜相減可以得到語音段的參數。

然后利用改進的卡爾曼濾波前期處理過的語音數據進行濾波，考慮到實際噪聲信號有色性，改進的卡爾曼濾波可以在有色噪聲情況下獲得更好的濾波效果。改進卡爾曼濾波的增益計算公式：K=PHT(HPHT+μR)-1其中當μ =1 時，就相當于白噪聲假設原始卡爾曼增益，因此改進后的公式更加適應一般情形一些，更加具有普遍性。

4 語音的切分對齊

經過去噪處理的語音，接下來要進行切分對齊處理，就是按照文本里的文字，和語音中的每個字的發音，進行一一對應的切分對齊，使得每個字都對應好自己的發音。整個過程中主要包括語句自動切分技術和音段自動切分技術。

在語句自動切分處理時，首先是隱馬爾可夫的訓練和語音解碼，得到被處理語音的特征參數，對每個音素建立隱馬爾可夫,然后獲得音素的時間信息，對于語句的標點符號，采取音素sil 代表。最后根據語句的音素sil 的時間信息，將篇幅語音切分成句子語音。

在音段自動切分處理中結合隱馬爾可夫和維特比算法，使用維特比算法對語音信號和相應文本進行強制對齊，可以取得較好的切分效果。過程如圖2 所示。

圖2 音段自動切分圖

完成語音和文本的切分對齊后，最后將語音數據和文本數據一一對應存儲，建立索引，基本完成了語音庫建設。

5 結語

利用現在普及的移動智能手機和計算機技術構建語音庫，相較于傳統的語音庫建設，在效率方面可以達到更加高效快速，在效果方面可以達到更加一致專業。不論是在建設大型、綜合性的語音庫，還是特殊、專業化的小型語音庫都不失為一種更好的途徑和選擇。