维吾尔语韵律结构的分析与预测模型的研究

Prosody is most inherent and natural feature of language, implies syntatic, semantic, pragmatic functions. Not only reflects the expression and comprehension of speaker to the text, but the attitudes, expectations, emotions of speaker. Prosody plays more important role to increase naturalness and intelligibility of language expression, and to improve the performance of speech synthesis and speech recognition system. Considering the acoustic, syntactic and lexical features of Uyghur language, key technologies of prosodic structure analysis and prediction method are mainly studied in the project on the basis of new theory, method and technology of English and Chinese. The research including Uyghur prosodic structure analysis and construction of prosodic structure annotation corpus, prosodic feature analysis (feature selection, extraction, analysis), prosodic structure prediction(syllable and word segmentation,stem extracion,POS prediction,prosodic feature prediction and statistical model),optimization of prosodic model and performance analysis are conducted. System info and technological base of Uyghur prosodic structure analysis and prediction are built, and the research achievements of project are applied and verified in the relative area by developing related algorithms, tools and test platforms.

韵律是言语的固有特征和自然属性，隐含了语法、语义、语用等多种语言功能。它不仅体现了说话人对文字的表达和理解，还反映说话人的态度、期望、情绪等高层信息。韵律在增加语言表达的自然度和可理解度、提高语音合成和语音识别系统的性能等方面扮演着非常重要的作用。项目在中英文的新理论、新方法和新技术的基础上，从维吾尔语声学、语法和词法特点出发，围绕韵律结构分析与预测所涉及的关键理论和技术，开展维吾尔语韵律结构分析和韵律结构标注语料库的建设，韵律特征参数分析（韵律特征参数选取、特征提取、统计分析），韵律结构预测（音节划分、分词、词干提取、词性预测、韵律特征参数预测等特征提取算法和统计建模方法），模型优化及性能分析等多个方面的研究，建立维吾尔语韵律结构分析与预测的理论体系及技术基础，并通过研发有关算法、工具和试验平台，在相关领域中应用与验证本课题取得的研究成果。

韵律在增加语言表达的自然度和可理解度方面扮演着非常重要的作用。研究自然话语的韵律结构和预测模型是言语工程技术中的研究热点。从输入文本中正确预测自然语音的韵律结构和边界信息是本项目中主要解决的关键问题。.项目研究工作中，首先在研究方案的基础上，收集并整理了相关的语料，研究了韵律特征参数提取方法，统计分析了分层韵律结构的分布情况、不同韵律结构边界的声学参数变化规律、最小韵律层次及发音单位音节在自然语流中的韵律参数变化规律等。.根据音节韵律参数变化规律，设计了韵律参数预测模型的基本特征，研究提出了基于决策树方法的韵律参数预测模型和前后关联模型，并对模型预测结果进行了可观和主观实验评测。为解决韵律边界预测模型中的基本特征词性的提取方法，根据黏着性语言的特点，提出了基于隐马尔科夫与形态特征相结合的自动词性标注模型，并对模型进行进一步改进得到了最好的预测性能。.根据韵律特征统计分析，设计了韵律边界预测模型基本特征，在结合多种特征提取方法的基础上，准备了模型训练数据，构造了基于决策树的韵律边界预测模型和自底向上分层韵律边界预测模型，在此基础上针对不同的特征模板和不同的预测方法进行了对比实验。根据黏着性语言的特点，结合语法和词法特征，提出了基于条件随机场的自底向上分层韵律边界预测模型和分层特征模板筛选韵律边界预测模型，并对不同特征模板进行对比实验得到了最好的预测性能。为进一步提高韵律边界预测结果，研究实现了基于深度神经网络的韵律边界预测模型，在同样的实验环境下得到了比支持向量机韵律边界预测模型好的结果，并且在数据量较少的情况下也得到了比其他韵律边界预测模型更好的预测性能。