表６．２列出的是：線性預估倒頻譜係數和殘餘信號的梅爾倒頻譜 係數在各種結合方式下，所對應的音節正確率。第一欄列出的是ｋ 值，ｋ代表辨識用的特徵向量中，線性預估倒頻譜係數所佔的個數
；第二、三、四欄列出的是在高斯混合數＝２、４、８時所得到的 辨識正確率；第五欄列出的是備註事項。另外，第一列列出的是基
礎實驗的結果（原始語音所得到的梅爾倒頻譜係數，未做量化、也
列列出的是純主式架構之一、模型匹配的實驗結果（同樣假設沒有 無線通道錯誤）；列出這三列是為了比較的用途。以下先對表
６．２的結果製圖，如圖６．６。
圖６．６ 在各種不同的ｋ值時，所對應的音節辨識正確率。
●殘餘信號可以帶來辨識上的幫助
表６．２中的最後一列列出的是ｋ＝１３時的辨識正確率。當ｋ＝
１３時，代表１３維的特徵向量全由線性預估倒頻譜係數組成，也 就是我們只取線性預估濾波器的資訊來做辨識，所得到的辨識效果 大概較純主式架構之一中匹配情形差２％左右；因此只靠這部分的 資訊是不足的。另外，在第四列中，我們也評估只使用殘餘信號得 到梅爾倒頻譜係數時所得到的辨識效果，也就是ｋ＝０的情況；而 由實驗結果知，只靠這部分的資訊根本沒有辨法做辨識（辨識正確 率是負值）！但是當這兩部分的資訊結合在同一個特徵向量時，辨 識效果開始獲得改進：在圖６．６中我們可以發現，若將殘餘信號 的資訊一次一個位元、加入原先只有線性濾波器資訊的特徵向量中
，那麼辨識正確率會漸漸提升；到ｋ＝９時，無論高斯混合數為何
，可以得到各種組合中的最佳辨識效果，其辨識正確率在高斯混合 數＝２、４的時候，甚至可以比基礎實驗所得的結果還要好，而高 斯混合數＝８的時候，雖然沒有基礎實驗的辨識效果來得好，但仍 然比主從式架構所得到的結果更佳。由此我們可以得到一個結論：
如果使用這一節中所提出的方法，如果以線性濾波器的資訊為主、
殘餘信號的資訊為輔，將這兩種資訊以適當的ｋ值結合後，辨識效 果就會得到改善。
●基礎實驗和純主式架構之二的辨識效能比較
表６．２中可以看到，在ｋ＝８、９、１０時，所得到的辨識正確 率在某些高斯混合數時可以比基礎實驗來得好。關於這一點是值得 探討的：基礎實驗使用的是未做量化的梅爾倒頻譜特徵向量，但是 純主式架構之二是使用經過壓縮處理的編碼語音來求特徵向量，按 照第四章所觀察到的結果，因為量化錯誤會帶來辨識正確率的下降
，我們也可以推論基礎實驗所得到的結果應該要比純主式架構之二 要來得好；但事實上並非如此。造成這種情況，除非有其他原因，
否則應是純主式架構之二所提出的特徵向量對辨識上的幫助比傳統 的梅爾倒頻譜係數來得大，但這個結果有點令人懷疑。為了探索 原因，我們進一步來看看基礎實驗以及純主式架構之二中、在ｋ
＝９（效果最好）時的辨識結果分析，如表６．３。
表６．３第四欄中音節辨識率，定義為（辨識正確的音節數）／
（全部的音節數），而音節辨識正確率＝（辨識正確的音節數－音 節插入數）／（全部的音節數），兩者的差別在於插入的錯誤音節 數目。
高斯混合數 音節辨識正確率 音節辨識率
基礎實驗 ２ 42.64 52.25
基礎實驗 ４ 49.20 57.49
基礎實驗 ８ 55.31 62.63
純主式架構之二 ２ 43.70 45.97
純主式架構之二 ４ 49.42 51.34
純主式架構之二 ８ 53.43 55.11
表６．３ 基礎實驗及純主式架構之二、ｋ＝９的辨識結果分析。
觀察表６．３，我們可以發現：基礎實驗在音節辨識率上勝過純主 式架構之二，但是在音節辨識正確率上卻輸給純主式架構之二。很 明顯的，基礎實驗中的統計模型可以辨識出較多的正確音節，但同 樣地也辨識出較多額外的音節；也就是說，基礎實驗可以產生較多 的辨識結果。讓我們回想：在基礎實驗中所使用的音框平移（Frame Shift），是一般辨識上使用、也是 ETSI 所制定標準的１０ｍｓ，因 此所取出特徵向量的速率是每秒鐘１００個特徵向量；然而在純主 式架構之二中，因為調適型多速率聲碼器每２０ｍｓ做一次線性預 估分析，所以取出特徵向量的速率是每秒鐘５０個特徵向量。我們 可以合理的推論：因為基礎實驗所取出的資料較多，所以可以得到 的辨識結果也比較多。為了證實我們的觀點，我們把基礎實驗所使 用的音框平移改為２０ｍｓ，所得到的辨識結果分析如表６．４所
示。
高斯混合數 音節辨識正確率 音節辨識率
基礎實驗（音框平
移＝２０ｍｓ） ２ 46.98 48.80
基礎實驗（音框平
移＝２０ｍｓ） ４ 53.33 54.80
基礎實驗（音框平
移＝２０ｍｓ） ８ 58.51 59.79
表６．４ 音框平移＝２０ｍｓ時，所得到的基礎實驗辨識結果分 析。
實驗結果恰好驗證我們所提出的論點：當音框平移改為２０ｍｓ時
，因為取出的資料量減少，所以辨識出來的結果變少：不僅是音節 辨識結果正確的個數減少，連插入的音節數目也減少了。所以在音 框平移＝２０ｍｓ的時候，所得到的音節辨識正確率比音框平移＝
１０ｍｓ的時候要來得好。另外，我們比較表６．３中的第四、五
、六行，以及表６．４，我們發現音框平移＝２０ｍｓ時所做的基 礎實驗結果還是比純主式架構之二的結果來的好，這再次說明了量 化誤差的確會帶來辨識效能上的下降；同時，這也說明了純主式架 構之二的辨識效果會比音框平移＝１０ｍｓ的基礎實驗來得好，不 是因為所取出的特徵向量對辨識效果的幫助較大，而是因為資料量 不同的緣故。
音框平移＝１０ｍｓ所取出的資料量比音框平移＝２０ｍｓ來得多
，理當辨識效果要比較好，可是實驗結果並非如此。可能是我們訓 練的統計模型，沒有加入類似持續時間限制（Duration Constraint）
的機制，造成資料量變多、卻有較多的插入錯誤。關於這一點，仍 待後續研究來論證。
●在沒有通道雜訊干擾的情況下，純主式架構之二與主從式架構的 辨識效能比較
在第二章中我們曾提到，目前在分散式語音辨識系統的設計當中，
主從式架構以及純主式架構之二都被熱烈的討論著其可行性。實際 上該採行何種架構，目前還沒有一致的看法。因此本報告希望能夠 從實驗中所觀察到兩個系統的效能來評估何者較為可行。根據表６
．２中所示，在很多的情況下純主式架構之二的辨識效能都遠遠勝 過主從式架構；但從上一小節的分析中我們知道這個辨識效能上的 優越，來自於資料量不同的緣故，因此要比較兩種架構的效能，必 須要讓使用相同的資料量才能做比較。從第四章中實驗結果得知，
量化的誤差會讓主從式架構的辨識結果較基礎實驗下降２％〜３％
左右；如果我們採用音框平移＝２０ｍｓ的基礎實驗為基準，將音 節辨識正確率減去３％、當作是以２０ｍｓ為音框平移的主從式架 構的音節辨識正確率，則在高斯混合數＝２、４、８時，辨識正確 率分別是４３．９８、５０．３３、５５．５１，以上三個數據除 了高斯混合數＝８的辨識率較純主式架構之二的結果高出約２％以 外，其餘並沒有相差太多。單從數據上來看似乎主從式架構要好一 些些，但是回頭考慮純主式架構之二較主從式架構更節省頻寬，因 此我們或許暫時可以說：若使用相同的音框產生率，則兩種架構的 效能不會相差太多。