Abstract
本研究之目的是要在沒有提供任何已知的資訊下，將能暗示語音頻譜變化速率線索的參數相互的結合 ，設計一組強健性高的演算法，建構一個自動音素邊界偵測系統，供語音辨認與合成之應用。所提出的方法是一個文本不特定(Text-independent)的音素分段沿著時間一次只找一個語音段落中的候選音素邊界點，偵測候選音素邊界點時先將語音訊號分成小段，利用能量累積倒函數在每個小段中尋找候選音素邊界點(Candidate Phoneme Boundary)。接著再針對找到的候選音素邊界點作確認，以梅爾頻率倒頻譜係數為計算之頻譜轉變量測(Spectral transition measure,STM)，加上以二維倒頻譜參數建立的混合高斯模型(Gaussian Mixture Model,GMM)，進行候選音素邊界點的確認演算。以TIMIT語料進行音素邊界點偵測之測試評量，實驗結果顯示：在20ms容忍度下，對 5040句實驗語料作音素邊界偵測結果平均F-值約為81%。而平均R-值約為83%。而將音素邊界轉換作分類。分類擊中率較好的塞音轉母音，母音轉塞音皆有80%以上，且這兩種分類都佔全部分類有蠻高的比例，而在分類音素擊中辨識率中，這兩種分類的擊中率有73.8%與62.3%，最好的分類擊中辨識率是母音轉摩擦音，佔全部分類有7.12%。由實驗結果得知，系統之設計符合預期但仍有改善空間，今後應著眼於最佳化特徵參數之求取與演算法最佳化之整合。關鍵詞：文本不特定語音分段、小波轉換、高斯混合模型、自動音素偵測。