声学模型
Parent: ai_keywords
声学模型
核心定义
声学模型是语音处理与人工智能领域的核心组件，旨在将输入的声学信号（通常为短时频谱特征，如MFCC）映射到发音单元（如音素、状态）的概率分布。它通过统计学习或深度学习手段捕捉声波在时间‑频率空间中的模式，是自动语音识别（ASR）系统的“听觉”基础。在医学与神经科学交叉场景中，声学模型被拓展为一种生物标志物提取工具，用于量化病理性语音的异常声学特征。
关键技术点
-
声学特征提取
采用梅尔滤波器组、感知线性预测（PLP）等技术，将时域波形转化为高维、去冗余的帧级特征，保留与听觉感知相关的频域结构。 -
时序建模架构
传统方法使用隐马尔可夫模型（HMM）联合高斯混合模型（GMM）刻画语音的动态转移；现代方法则采用连接时序分类（CTC）、RNN-T或端到端注意力机制（如Transformer），直接建立帧‑标签对齐。 -
深度神经网络声学模型
DNN、LSTM、卷积神经网络及自注意力网络取代HMM的发射概率计算，显著提升对复杂发声变异的鲁棒性，并能隐式学习发音器官运动的物理约束。 -
说话人自适应与域适应
利用i‑vector、x‑vector或辅元音层级变换，标准化的声学模型可通过对少量目标语音的微调，适应个体声学差异，这对临床个体化分析尤为关键。
医学/神经科学应用场景：帕金森病语音诊断
在首都医科大学神经病学研究中，声学模型被用于构建“数字语音生物标志物”系统。具体应用如下：
采集帕金森病患者与对照组的持续元音发音（如/a:/）及重复音节任务（如“pa-ta-ka”）。使用预训练的DNN‑HMM声学模型（基于大规模健康语音库训练）对患者语音进行强制对齐，提取每帧的后验概率与似然分数。患者因神经肌肉协调障碍导致发音苍白、声带振动不稳定（声学表现为频谱噪声抬升、基频F0变异增大），其声学模型的帧‑状态似然值显著低于健康对照组。进一步利用声学模型输出的音素时长、谱倾斜等参数，可在症状前阶段（如REM睡眠行为障碍）筛出高危个体，并通过纵向跟踪评估药物（如左旋多巴）疗效。该技术已与首都医科大学宣武医院神经内科合作，形成无接触、低成本的家庭远程监测方案。
