63、基于声学聚类的自动语音分割与K - NN SVM性能提升

基于声学聚类的自动语音分割与K - NN SVM性能提升

1. 引言

语音语料的音素分割在多个领域都具有重要作用。在文本转语音（TTS）系统中，音素单元的选择备受关注；同时，用于训练声学模型的分割语音数据库在自动语音识别（ASR）系统的构建中也具有重要意义。然而，手动分割语音语料不仅耗时费力，还可能因不同专家的标准不同而产生偏差。因此，开发自动语音分割系统具有重要的现实意义。

2. K - NN SVM相关

在使用K - NN SVM时，决策边界与核参数以及K值之间存在一定的关系。未来有望基于这些初步结果，开发出一种在训练阶段能自动寻找自身参数的新方法。

3. 自动语音分割系统

3.1 系统概述

自动语音分割系统分三个阶段进行：
- 第一阶段：进行粗分割，为后续阶段提供起始点。
- 第二阶段：通过动态时间规整（DTW）算法，利用每帧估计的音素概率，逐步细化音素边界。
- 第三阶段：根据在待调整边界附近以较高子采样率估计的一些声学参数，对边界进行更精确的调整。

以下是系统流程的mermaid流程图：

graph LR
    A[输入语音信号和音素序列] --> B[粗分割]
    B --> C[渐进细化]
    C --> D[边界调整]
    D --> E[输出分割结果]

3.2 粗分割

粗分割通过四个连续步骤，使用不同级别的分类技术来确定初始音素边界：
1.