合成语音感知学习模型的建立和效应验证

【关键词】  合成语音

　　Perceptual learning of synthetic speech sound: Model building and verification

　　【Abstract】 AIM: To build a model of synthetic speech sound learning and to verify its effectiveness. METHODS:  The perceptual learning model was programmed and applied in 29 college students, who were randomly divided into 4 groups (6 students in group 1  and  2 respectively, 7 in group 3 and 10 in group 4). Paired ttest and ANOVE were utilized to verify its effectiveness. RESULTS:  The model was employed in 4 kinds of experimental procedures. The average performance of all groups was markedly improved from （11.76±0.87）% before learning to （20.69±1.59）% after learning （P<0.01）. Of the 4 groups, the programoptimized group achieved the most remarkable learning effect, improved by an average of （14.10±2.52）%（P<0.001）. CONCLUSION:  A good learning effect is observed in our model, which presents generalization rather than rote memorization. The model lays a basis for indepth research in the field of more complex cognitive activities.

　　【Keywords】 perceptual learning; model; synthetic speech sound

　　【摘要】 目的： 建立合成语音的感知学习模型并验证该模型的学习效应.  方法： 编写合成语音感知学习模型的机程序，并在29名大学本科生中应用该程序模型. 将被试学员随机分为4组：  组1（n=6）,组2（n=6），组3（n=7）,组4（n=10）.  采用配对t检验和方差分析验证该模型的学习效应.  结果： 依照4种不同的实验模式实施该模型，各组平均得分由学习前的（11.76±0.87）%提高到学习后的（20.69±1.59）%，且具有显著性差异（P<0.01）.  其中程序模型改良组的学习效果最为显著，成绩平均提高了（14.10±2.52）%（P<0.001）.  结论： 本研究所建立的合成语音感知学习模型有良好的学习效应，学习的过程体现出了人的概括和泛化能力.  该模型为深入研究比较复杂的认知活动奠定了基础.
 
　　【关键词】  感知学习；模型；合成语音

　　0引言

　　针对感知学习的研究模型有许多种，其中绝大多数是针对记忆的，包括研究程序性记忆的运动技能学习［1］，研究知觉表征系统的视觉［2］或听觉［3］辨别任务等. 在合成发音的感知学习过程中，人们对于不同字符组合发音的学习和掌握反映除记忆之外的其他学习技能，其模型为人们深入研究学习的生理心理机制提供了帮助［4］. 本研究旨在尝试建立基于英语语音的感知学习模型，并以青年为被试验证该模型的学习效应.

　　1对象和方法

　　1.1对象

　　29名健康男性大学生，年龄19～21 （平均20.7）岁. 裸眼视力或矫正视力正常，正常，均已通过英语四级，右利手，熟悉计算机键盘操作，从未参加过类似实验. 全部被试根据所采用的程序和词汇列表随机分为4组. 组1和组2各6人，组3为7人，组4为10人. 模型中采用的单词为辅元辅结构的单音节词(如bad, tap等)，词汇的选取来源于各个英语音素分布均匀的语音均衡表［5］. 单词的发音由程序合成，在PⅢ计算机上运行并测试，语音通过Yong Wei耳机（YW810MV）播放.
 
　　1.2方法

　　模型设计了两个略有差别的程序（A和B）. 程序A与B均包含测试、练习（多组）和再测试三个阶段，练习包括学习和复习两个环节，程序B练习的学习环节单词的发音能够点击重听. 程序A有两个版本的词汇列表（L1和L2），程序B仅有一个版本的词汇列表(L2)，L1完全来源于Fenn等［4］的设计，L2是范围限制在四级词汇之内的语音均衡词汇. 具体程序为： ① 测试阶段包含100个单词，要求被试在听到单词的（合成）发音后在计算机上键入与之对应的拼写，每个单词的发音只出现1次，而且不会重复，单词之间间隔10 s. ② 练习包括两个单元，每单元两组或者三组，每组50个单词. 每组间被试休息2 min，单元间休息10 min. 每组被试先学习，即在听到每个单词的发音后随即看到与之对应的拼写（程序A中每个单词的发音只呈现1次，而程序B中，被试在同样的时间间隔内能通过点击操作重复听到当前单词的发音）. 50个单词之后，被试可以进行复习. 复习时，被试在听到发音之后，有6 s时间可以将单词键入空栏，并在随后看到该单词的正确拼写. 在整个学习的过程中，被试所听到单词没有重复，也不与测试及再测试中的单词重复. ③ 再测试与测试的形式与要求相同，单词不与测试及练习中的单词重复. 组1采用程序A和词汇列表L1，完成6组练习；组2采用程序A和词汇列表L1，完成4组练习；组3采用程序A和词汇列表L2，完成6组练习；组4采用程序B和词汇列表L2，完成6组练习.

　　统计学处理： 统计学分析用SPSS10.0统计分析软件包，结果采用（x±Sx）表示. 统计方法采用配对t检验，单因素方差分析和协方差分析. P<0.05表示有显著性差异.

　　2结果

　　2.1英语合成语音感知学习模型的学习效应所有被试在测试时语音识别的平均得分（11.76±0.87）%，练习后，绝大部分被试的正确率都有所提高，平均提高（8.93±1.25）% （t=7.125, P<0.001）（图1）.

　　尽管组1和组2所使用的词汇列表与组3和组4不同，但是，各组被试在测试时反映出来的正确率却未见显著差异（F(3,25)=1.322, p=0.29）. 组1在学习阶段完全采用了所报道的实验方法，经过6组共300个单词的学习后，语音识别的正确率由测试的（13.00±2.03）%提高到学习后再测试的（20.50±2.38）%，平均提高（7.50±2.00）% （t=3.758, p=0.013）. 与之相比较，组2平均提高（5.00±1.91）% （t=2.611, p=0.048）. 组3学习后正确率平均提高（6.14±1.12）% （t=5.476, p=0.002）（图2）.

　　2.2学习形式影响语音感知学习的效果基于组1, 2, 3的实验结果，我们发现，通过练习或者学习，被试的成绩尽管有显著的提高，但是提高幅度不是很理想（平均约6.21%）. 为了防止实验过程中有可能出现的“地板效应”，我们通过问卷调查的形式，出了一些可以促进学习效果的方法，并且将它们以可执行的操作方式加入了改良后的程序B. 在使用程序B的组 4中，我们发现该组被试的正确率由学习前的（13.40±1.63）%提高到了学习后的（27.50±3.13）%（图2），平均提高（14.10±2.51）% （t=5.618, p=0.0003）. 而各个组之间以测试正确率为协变量(总均数为11.76)比较的协方差分析也表明，组4成绩的提高与组1, 2, 3相比较均有显著差异，同时组1, 2, 3成绩的提高之间则未见有显著差异（表1）.表1各组所提高成绩的比较和协方差分析（略）