基于一维卷积神经网络的泰米尔语文学体与口语体分类特征工程研究

为解决泰米尔语文学体(LT)与口语体(CT)在语音识别中的差异化处理难题，研究人员提出一种基于1D-CNN的特征工程方法，通过手工特征与MFCC特征融合，实现F1值达0.9946的高精度分类，为多方言人机交互系统提供轻量化前端解决方案。

　　

在当今数字化时代，人机交互(HCI)的流畅性直接影响用户体验。对于拥有8000万使用者的泰米尔语而言，其独特的"双轨制"语言体系——严谨规范的文学体(LT)与灵活多变的口语体(CT)并存，给语音技术带来巨大挑战。LT作为文化遗产需要保护，而CT作为日常交流媒介更需被计算机理解。然而现有语音识别系统往往偏重LT处理，导致CT识别错误率高达37%（Liu et al., 2010），这种失衡严重制约了泰米尔语区的技术普惠。

针对这一瓶颈，国内研究人员开展了一项突破性研究。通过分析发现，LT与CT在声学特征上存在显著差异：LT类似"朗读语音"具有清晰频谱边界，而CT作为"自发语音"的MFCC特征空间会收缩20%（Nakamura et al., 2008）。传统基于MFCC的识别系统难以兼顾两者特性，亟需开发能捕捉方言差异的新型特征工程方法。

研究团队创新性地构建了1D-CNN架构，首次系统比较了手工特征与MFCC在泰米尔语方言识别中的表现。手工特征聚焦语音的频谱特性、时间动态、韵律和音质四个维度，通过分析10组平行语句的时间趋势验证其区分度。实验显示，单独使用手工特征时F1值达0.9803，MFCC为0.9895。进一步通过特征消融研究筛选出关键手工特征与MFCC组合后，性能提升至0.9946的业界新高。

关键技术包括：1）基于微软语音库构建LT/CT平行语料；2）设计涵盖26维声学参数的手工特征集；3）优化1D-CNN网络结构以学习时间序列包络特征；4）采用特征消融法进行特征重要性排序。

现有相关研究
梳理方言识别特征工程发展脉络，指出传统方法依赖音素识别，而现代趋势转向端到端特征学习。

LT与CT声学差异
量化分析显示CT语速更快（+15%）、基频变化更剧烈（ΔF0>35Hz），这些差异直接反映在MFCC特征空间压缩现象中。

特征集设计
创新性融合传统LID特征与现代神经网络，包含：谐波噪声比(HNR)、频谱斜率(SS)、过零率(ZCR)等时变参数。

LCTID实现方案
1D-CNN采用4层卷积结构，每层配备ReLU激活和BatchNorm，最终通过全局平均池化实现文本无关分类。

实验结果
特征组合策略使错误率降低42%，消融研究揭示频谱通量(Spectral Flux)和MFCCΔ₂为最具鉴别力特征。

结论与展望
该研究首次实现泰米尔语双形式的精准区分，其价值体现在三方面：技术上验证了手工特征与深度学习融合的可行性；应用上为多方言HCI系统提供轻量化前端（模型尺寸<5MB）；学术上开创了Dravidian语系方言处理新范式。未来可扩展至其他存在"文白异读"的东南亚语言，推动语音技术的人文包容性发展。

（注：全文数据与结论均源自Nanmalar等发表于《Speech Communication》的原始研究，技术细节保留原文的MFCC、1D-CNN等术语规范及上下标格式）