·306· 能系统学报 第8卷 神经分析系统由2部分组成：脑-计算机接口 是多少，一直以来是语言习得理论所涉及的一个重 (BCI)和语音合成系统DIVA(directions into veloci- 要问题从先天论和生态学的观点来看，这个问题一 ties of articulators).在BCI中，脑电信号的产生方式 方面表明了人类语言能力有些是与生俱来的，例如 是一种无线神经电极2]，用于长期植入患者的大 婴儿能够从所获取的少量语音信息里归纳出语法或 脑皮层，而检测到的神经信号则被用于驱动语音合 句法规则的能力9；另一方面，也可以解释为人类 成器的连续“运动”，为患者提供实时语音输出：DL- 语言的胜任能力是信息处理原则的结果.也就是说， VA模型则是一种具有生物学意义的关于语音生成 当最初只能获得有限输入时，系统只是学习输入信 和获取的神经网络[3)，主要依据有关语音生成及 息的基本结构，而不是记住每个输入的具体内容，这 感知心理物理学实验的行为数据、FMRI(functional 样的处理原则非常重要[20)] magnetic resonance imaging)PET(positron emission 可以将婴儿学习语言的能力比喻成一个有着有 computed tomography)实验的神经成像数据以及对 限存储容量，但需要处理大量信息的神经计算系统， 动物所做的运动控制实验的神经生理学数据等而建 为了模拟信息处理过程、学习信息处理的根本原则， 立，目的是为了生成音素串而学习控制模拟声道的 必须要知道学习内容以及学习这些内容所需要的必 运动，主要特征是反映神经解剖学与大脑相关区域 要条件.也就是说，研究人类语音生成与获取的发展 的关联性 过程，需要一个类似婴儿生理能力和生态背景的系 自1994年Guenther教授首次提出DVA模型 统.系统的学习过程应该是自组织和自适应的，能够 以来[)，模型经历了不断的完善和更新.根据早期 通过与瞬时环境的直接作用形成自己的认知行为技 DIVA模型存在的一些问题[o,Ghosh、Tourville、 巧，即能通过与周围环境的相互影响来学习发音意 Max、Civier、Golfinopoulos、Castanon等研究人员以及 义的表示及其语法结构2) Guenther提出了一系列修订版本或思想[7.).特别是 婴儿在咿呀学语阶段，许多非语音因素以及发 Guenther201l年提出的DIVA模型，对模型组件 音动作在频繁发声之前就已经存在.与这个事实类 与大脑皮层的对应关系在MNI(montreal neurological 似，DIVA模型中的咿呀学语过程发生在以下2个阶 institute)标准框架上进行了具体描述，并对大脑皮 段：1)体觉-发音映射阶段，此阶段中的体觉映射过 层以及小脑中包括预运动(premotor)、运动、听觉、 程是在缺乏语音背景的情况下进行学习的：2)对每 体觉的几个区域所涉及的成分作了精确的定义.笔 个语音体觉目标进行学习的阶段，学习的目标是语 者近年来对DIVA模型的研究也进行了跟踪，并在 音-体觉映射的权值编码. 一些局部方案的改进和完善方面取得了初步进展和 咿呀学语之后，模型能够使用英语音素集中的 成果[1417] 29个音素组合生成任意音素串.纵规DVA模型对 但正如R.Smit山所指出的那样1]，尽管有了诸 每个语音体觉目标的学习过程，可以看到其基本假 定如下：在婴儿正确可靠地生成给定语音之前，他能 多方面的改进，模型仍然存在一个非常严重的不足， 够正确可靠地感知这个语音，并假定模型具有感知 即对类似婴儿语言获取能力的模拟，也就是婴儿对 所有即将生成语音的能力.然而，这与婴儿咿呀学语 语音的“感知能力要比其语音生成技巧发育得更快 的过程并不完全相符，因为婴儿在感知其他语音之 一些”这样的事实一直没有予以考虑，因而影响到 前就已经能够很准确地发出一些与给定语音相关的 模型自身的自组织、自适应能力 声音了.而且这些声音与瞬时环境密切相关，是一种 本文的主要目的是在DVA模型的基础上，提 多感觉输入（听觉、视觉、触觉等）的融合体.在将这 出一种使系统能自动获取语音-映射单元的方法， 些融合体信息映射到大脑皮层语音区域的过程中， 这种方法与婴儿咿呀学语的过程基本一致，符合感 逐步形成了听觉过程渐近式的反应机制.因此，音素 知能力与生成技巧发育平衡的自然现象.通过此方 表征这种形式就可以被看作是能将若干输入候选词 法的应用，DVA模型在语音生成和获取过程中将 相互区分开来，最终形成婴儿早期语言获取过程中 更具自然特性，从而使研究者能更好地研究语音生 的一种具有自组织、自适应能力的表征机制.DIVA 成和获取的过程， 模型没能有效地表征这种机制，因而没有充分实现 语言习得(language acquisition）与 感知语音的自组织、自适应过程.因此，从这一点来 DIVA模型 看，DIVA模型还不完全具备神经生理学意义上的 控制功能，对其进行完善或重构，使其具有语音感知 关于人类语言能力在遗传基因中所占比重到底 的自组织和自适应能力是非常重要且非常有意义的神经分析系统由 ２ 部分组成：脑－计算机接口 （ＢＣＩ）和语音合成系统 ＤＩＶＡ（ ｄｉｒｅｃｔｉｏｎｓ ｉｎｔｏ ｖｅｌｏｃｉ⁃ ｔｉｅｓ ｏｆ ａｒｔｉｃｕｌａｔｏｒｓ）．在 ＢＣＩ 中，脑电信号的产生方式 是一种无线神经电极［１⁃２］ ，用于长期植入患者的大 脑皮层，而检测到的神经信号则被用于驱动语音合 成器的连续“运动”，为患者提供实时语音输出；ＤＩ⁃ ＶＡ 模型则是一种具有生物学意义的关于语音生成 和获取的神经网络［３⁃４］ ，主要依据有关语音生成及 感知心理物理学实验的行为数据、ＦＭＲＩ（ ｆｕｎｃｔｉｏｎａｌ ｍａｇｎｅｔｉｃ ｒｅｓｏｎａｎｃｅ ｉｍａｇｉｎｇ）和 ＰＥＴ（ｐｏｓｉｔｒｏｎ ｅｍｉｓｓｉｏｎ ｃｏｍｐｕｔｅｄ ｔｏｍｏｇｒａｐｈｙ） 实验的神经成像数据以及对 动物所做的运动控制实验的神经生理学数据等而建 立，目的是为了生成音素串而学习控制模拟声道的 运动，主要特征是反映神经解剖学与大脑相关区域 的关联性． 自 １９９４ 年 Ｇｕｅｎｔｈｅｒ 教授首次提出 ＤＩＶＡ 模型 以来［５］ ，模型经历了不断的完善和更新．根据早期 ＤＩＶＡ 模 型 存 在 的 一 些 问 题［６］ ， Ｇｈｏｓｈ、 Ｔｏｕｒｖｉｌｌｅ、 Ｍａｘ、Ｃｉｖｉｅｒ、Ｇｏｌｆｉｎｏｐｏｕｌｏｓ、Ｃａｓｔａｎｏｎ 等研究人员以及 Ｇｕｅｎｔｈｅｒ 提出了一系列修订版本或思想［７⁃１３］ ．特别是 Ｇｕｅｎｔｈｅｒ ２０１１ 年提出的 ＤＩＶＡ 模型［４］ ，对模型组件 与大脑皮层的对应关系在 ＭＮＩ（ｍｏｎｔｒｅａｌ ｎｅｕｒｏｌｏｇｉｃａｌ ｉｎｓｔｉｔｕｔｅ）标准框架上进行了具体描述，并对大脑皮 层以及小脑中包括预运动（ ｐｒｅｍｏｔｏｒ）、运动、听觉、 体觉的几个区域所涉及的成分作了精确的定义．笔 者近年来对 ＤＩＶＡ 模型的研究也进行了跟踪，并在 一些局部方案的改进和完善方面取得了初步进展和 成果［１４⁃１７］ ． 但正如 Ｒ．Ｓｍｉｔｈ 所指出的那样［１８］ ，尽管有了诸 多方面的改进，模型仍然存在一个非常严重的不足， 即对类似婴儿语言获取能力的模拟，也就是婴儿对 语音的“感知能力要比其语音生成技巧发育得更快 一些”这样的事实一直没有予以考虑，因而影响到 模型自身的自组织、自适应能力． 本文的主要目的是在 ＤＩＶＡ 模型的基础上，提 出一种使系统能自动获取语音－映射单元的方法， 这种方法与婴儿咿呀学语的过程基本一致，符合感 知能力与生成技巧发育平衡的自然现象．通过此方 法的应用，ＤＩＶＡ 模型在语音生成和获取过程中将 更具自然特性，从而使研究者能更好地研究语音生 成和获取的过程． １ 语言习得（ ｌａｎｇｕａｇｅ ａｃｑｕｉｓｉｔｉｏｎ） 与 ＤＩＶＡ 模型 关于人类语言能力在遗传基因中所占比重到底 是多少，一直以来是语言习得理论所涉及的一个重 要问题．从先天论和生态学的观点来看，这个问题一 方面表明了人类语言能力有些是与生俱来的，例如 婴儿能够从所获取的少量语音信息里归纳出语法或 句法规则的能力［１９］ ；另一方面，也可以解释为人类 语言的胜任能力是信息处理原则的结果．也就是说， 当最初只能获得有限输入时，系统只是学习输入信 息的基本结构，而不是记住每个输入的具体内容，这 样的处理原则非常重要［２０］ ． 可以将婴儿学习语言的能力比喻成一个有着有 限存储容量，但需要处理大量信息的神经计算系统． 为了模拟信息处理过程、学习信息处理的根本原则， 必须要知道学习内容以及学习这些内容所需要的必 要条件．也就是说，研究人类语音生成与获取的发展 过程，需要一个类似婴儿生理能力和生态背景的系 统．系统的学习过程应该是自组织和自适应的，能够 通过与瞬时环境的直接作用形成自己的认知行为技 巧，即能通过与周围环境的相互影响来学习发音意 义的表示及其语法结构［２１］ ． 婴儿在咿呀学语阶段，许多非语音因素以及发 音动作在频繁发声之前就已经存在．与这个事实类 似，ＤＩＶＡ 模型中的咿呀学语过程发生在以下 ２ 个阶 段：１）体觉－发音映射阶段，此阶段中的体觉映射过 程是在缺乏语音背景的情况下进行学习的；２）对每 个语音体觉目标进行学习的阶段，学习的目标是语 音－体觉映射的权值编码． 咿呀学语之后，模型能够使用英语音素集中的 ２９ 个音素组合生成任意音素串．纵观 ＤＩＶＡ 模型对 每个语音体觉目标的学习过程，可以看到其基本假 定如下：在婴儿正确可靠地生成给定语音之前，他能 够正确可靠地感知这个语音，并假定模型具有感知 所有即将生成语音的能力．然而，这与婴儿咿呀学语 的过程并不完全相符，因为婴儿在感知其他语音之 前就已经能够很准确地发出一些与给定语音相关的 声音了．而且这些声音与瞬时环境密切相关，是一种 多感觉输入（听觉、视觉、触觉等）的融合体．在将这 些融合体信息映射到大脑皮层语音区域的过程中， 逐步形成了听觉过程渐近式的反应机制．因此，音素 表征这种形式就可以被看作是能将若干输入候选词 相互区分开来，最终形成婴儿早期语言获取过程中 的一种具有自组织、自适应能力的表征机制．ＤＩＶＡ 模型没能有效地表征这种机制，因而没有充分实现 感知语音的自组织、自适应过程．因此，从这一点来 看，ＤＩＶＡ 模型还不完全具备神经生理学意义上的 控制功能，对其进行完善或重构，使其具有语音感知 的自组织和自适应能力是非常重要且非常有意义的 ·３０６· 智 能 系 统 学 报 第 ８ 卷