毕业论文（设计）黔东南苗语语音识别研究.pdf

贵州民族大学2022届硕士研究生学位论文摘要随着人工智能的快速发展，计算机能够识别的语种越来越广泛，在国内已经实现人机汉语交流，语音识别技术逐渐应用在少数民族语 言上。苗语作为西南世居民族的主要语种之一，其语音研究存在语言 文字缺失、语音语料库不健全、地域差异等问题。苗语语音语料库构 建和语音识别，可以有效地传承和保护苗族语言文化，同时可以实现 苗语与其他语种之间的沟通。本文以贵州省黔东南地区苗语语音作为 研究对象，构建苗语语音语料库构建、在苗语孤立词识别、苗语连续 语音识别等方面进行研究，主要工作如下：(1)针对苗语语音研究存在语言文字缺失、语音语料库不健全、地域差异等问题。借助汉语拼音和汉字对苗语语音标注，在贵州民族 大学少数民族语音实验室收集到的苗族中部方言语音词汇基础上，构 建了较为系统的苗语语音语料库，该语料库内容包含常见的字词句，语音录制人员来自贵州省黔东南各地会说本土苗语口音的苗族人，语 料内容覆盖大部分的苗语语言现象。(2)针对苗语孤立词语音识别问题。采用汉语拼音对苗语语音标 注，构建基于卷积神经网络的苗语孤立词语音识别模型。实验结果表 明，苗语孤立词识别模型在同一地域语音上的识别准确率为97%,在 不同地域语音上的识别准确率为94%,将同地域和不同地域苗语语音 数据集合并后，识别准确率为95%,模型对组合地域的语音识别效果(C)1994-2022 China Academic Journal Electronic Publishing House.All rights reserved,贵州民族大学2022届硕士研究生学位论文表现良好，证明该模型对采用汉语拼音标注的苗语孤立词语音识别是 有效的。(3)针对苗语连续语音识别问题。提出了一种基于Transformer 的苗语连续语音识别模型，该模型基于汉字作为识别标签的建模方 法，可以直接将苗语语音识别成汉字，无需发音词典进行训练，减少 了对语言学知识的依赖。实验结果表明，该模型可以将以汉语作为识 别标签的苗语连续语音识别出来，其模型识别的字错率为31%,解决 了无文字的苗语连续语音识别问题。关键字：苗语语音语料库；苗语孤立词；卷积神经网络；苗语连续语 音；TransformerII(C)1994-2022 China Academic Journal Electronic Publishing House.All rights reserved,贵州民族大学2022届硕士研究生学位论文Speech recognition of Hmong language in Southeast GuizhouZhang Xuewen(Statistics)Directed by Professor Wang LinAbstract:As the rapid development of artificial intelligence,there are a lot of languages can be recognized by computer.Man-machine Chinese communication has been realized in China,and speech recognition technology has been gradually applied to minority languages.Hmong language is one of the main languages of the ancient people in Southwest China.There are some problems in speech research,such as the lack of language and characters,imperfect speech corpus and regional differences.The construction of Hmong speech corpus and speech recognition can effectively inherit and protect Hmong language and culture,and realize the communication between Hmong language and other languages.In this thesis,Hmong speech in Southeast Guizhou Province is taken as the research object.The construction of Hmong speech corpus,the research on isolated Hmong language word recognition and continuous speech recognition of Hmong language are carried out.The main work is as follows:(l)Aiming at the research of Hmong phonetics,such as the lack of language,incomplete phonetic corpus and regional differences.Using Chinese pinyin and characters to label the voice of the Hmong,based on the central dialect phonetic words collected in Hmong minority language LABS of Guizhou university,a systematic speech corpus of the Hmong is constructed,the corpus content contains the common musical,voice recording personnel from southeast of Guizhou Province can speak native accent of the Hmong people around,The corpus covers most of Hmong language phenomena.(2)Aiming at the problem of speech recognition of isolated words in Hmong language.Using Chinese spell to mark the Hmong language speech,a Hmong language isolated word speech recognition model based on Convolutional Neural Network is constructed.The experimental results show that the recognition accuracy hi(C)1994-2022 China Academic Journal Electronic Publishing House.All rights reserved,贵州民族大学2022届硕士研究生学位论文of the Hmong language isolated word recognition model is 97%in the same region and 94%in different regions.After merging the Hmong speech data sets in the same region and different regions,the recognition accuracy is 95%.The model performs well in the speech recognition of combined regions,it proves that the model is effective for the isolated Hmong language word speech recognition marked with Chinese phonetic alphabet.(3)Aiming at the problem of continuous speech recognition in Hmong language.A continuous speech recognition model of Hmong language based on transformer is proposed.The model is based on the modeling method of using Chinese characters as recognition labels.It can directly recognize Hmong language speech into Chinese characters without pronunciation dictionary training,which reduces the dependence on linguistic knowledge.The experimental results show that the model can recognize Hmong Language continuous speech with Chinese as recognition labels,and the word error rate of the model is 31%,It solves the problem of continuous speech recognition of Hmong language without words.Key words:Hmong speech corpus Isolated words in Hmong language Convolutional Neural Network Continuous speech of Hmong language TransformerIV(C)1994-2022 China Academic Journal Electronic Publishing House.All rights reserved,贵州民族大学2022届硕士研究生学位论文1绪 论.11.1 研究背景及意义.11.1.1 研究背景.11.1.2 研究意义.11.2 语音识别研究现状.21.2.1 基于传统方法语音识别研究现状.21.2.2 基于深度学习方法语音识别研究现状.41.2.3 苗语语音识别研究现状.51.3 主要研究内容.61.4 本文结构.72苗语语音语料库的构建.92.1 苗族简介.92.1.1 苗族语言.92.1.2 苗语语法结构.102.1.3 苗语声韵母、声调特点.102.2语音语料库构建.112.2.1 语料文本收集和选择.122.2.2 文本分类.132.2.3 语料库录制.142.2.4 语音标注以存储.152.3本章小结.163基于卷积神经网络的苗语孤立词语音识别.173.1问题描述.173.2卷积神经网络原理.173.2.1 卷积层.183.2.2 池化层.193.2.3 全连接层.193.2.4 激活层.20v(C)1994-2022 China Academic Journal Electronic Publishing House.All rights reserved,贵州民族大学2022届硕士研究生学位论文3.3 苗语孤立词识别模型.203.3.1 MFCC特征提取.203.3.2 卷积神经网络.223.4 实验设置与结果分析.233.4.1 实验数据.233.4.2 实验设置.243.4.3 实验结果与分析.243.5 本章小结.264基于Transformer的苗语连续语音识别.274.1 问题描述.274.2 Transformer 模型.274.2.1 Encoder-Decoder.274.2.2 注意力(Attention)机制.294.3 苗语连续语音识别模型.314.3.1 苗语语音文本的生成.314.3.2 Fbank 特征提取.324.3.3 编码-解码过程.334.4 实验设置与结果分析.334.4.1 实验数据.334.4.2 实验设置.334.4.3 实验结果与分析.344.5 本章小结.365总结与展望.375.1 总结.375.2 展望.38参考文献.39致谢.45在校期间科研成果.46VI(C)1994-2022 China Academic Journal Electronic Publishing House.All rights reserved,贵州民族大学2022届硕士研究生学位论文1绪论在本章中，首先对本文的研究背景及意义进行简要介绍；其次对国内外语音 识别的最新研究现状进行阐述，分析了存在的的主要问题；最后，介绍本文的主 要研究内容，并对本文的组织结构进行简要概括。1.1 研究背景及意义1.1.1 研究背景随着人工智能的快速发展，国内已经实现人机汉语交流。计算机能够识别的 语种越来越广泛，语音识别的研究方向逐渐向少数民族语言转变，在一些少数民 族语言（如藏语、蒙语、维尔吾语）中有了一定的研究基础10,少数民族语言保护 工作虽然已经取得一定的成就。但对资源较少、无文字的少数民族语言语音识别 研究成果较少35,这些少数民族语言受全球化、互联网等的冲击，正在面临消 亡。因此，应采取积极有效的措施，进一步加强对这些语言的研究和保护，这有 利于人类文明的传承和发展，也有利于民族团结和社会安定。苗语作为西南世居民族的主要语种之一，其语音研究存在语言文字缺失、语 音语料库不健全、地域差异等问题，在苗语语音识别方面，至今没有较成熟的成 果，在理论研究及实际应用上还有很多的问题需要解决。因此，结合所研究领域 的理论知识及研究方法，本文选择苗语语音识别作为研究对象。1.1.2 研究意义苗族是我国56个民族之一，分布区域广，人口近一千万，是一个只有语言没 有文字的民族。除此之外，在东南亚、美国和欧洲，还有部分苗族仍然使用苗 语。由于分布区域广，不同地域发音特点不同，苗语主要分为中、东、西部三大 方言，苗族的语言和文化只能通过世代口授相传。随着我国经济社会的发展，国 家通用语言使用越来越广泛，但在部分民族地区，由于区域的限制，还存在部分 对国家通用语言使用困难的少数民族同胞，若能对这些少数民族语言利用新的技 术手段来进行语音自动识别，将会更好地传承和保护这些语言，保持我国语言的 多样性，同时，也将更好地在民族地区推广和普及国家通用语言时提供技术上的 支撑。目前对苗语的识别研究比较少，特别是对以贵州省黔东南为代表的苗语中 部方言的语音识别研究更少。由于黔东南苗族语言发音比较繁杂，语种差异较大,(C)1994-2022 China Academic Journal Electronic Publishing House.All rights reserved,贵州民族大学2022届硕士研究生学位论文甚至不同区域的同一民族之间交流仍存在一定的困难。如果通过语音自动识别的 方法能够实现同一语种、不同语种之间以及国家通用语言之间的沟通，这将为这 些民族区域的乡村振兴提供一个良好的平台。因此，以苗语为例，构建苗语语音 语料库以及对苗语语音识别进行研究具有重要的意义。1.2 语音识别研究现状语音识别是一项人机交互技术，经过不断的发展，在各方面取得了显著的进 展。例如从小词汇量到大词汇量、从特定人到非特定人、从孤立词到连续词汇、从大语种到低资源的民族语言、方言等方面。近些年来，随着深度学习的发展，大多研究者将深度学习方法融合到语音识别研究中，在语音识别性能上获得了关 键性的进展，是当前语音识别研究领域的热点。如今已经成功将语音识别技术应 用于人机翻译、语音助手、智能家居等众多领域中。目前，研究语音识别的方法 主要有基于传统的方法和基于深度学习的方法。1.2.1 基于传统方法语音识别研究现状语音识别工作率先由贝尔实验室进行开展，通过实践，研发出了 10个英文孤 立数字的识别系统，在这一阶段之后，语音识别的研究内容主要基于模板匹配 和隐马尔可夫(Hidden Markov Models,HMM)概率统计模型为主。模板匹配的思 想是用语音特征训练特征模板，再将待识别的语音特征与模板进行匹配，相似度 最高为识别结果。在语音谡别领域，矢量量化(Vector Quantification,VQ)和动态时 间规整(Dynamic Time Warping,DTW)是典型的模板匹配法,矢量量化(VQ)类似于 一种数据压缩编码方法，在语音编码、说话人识别都有应用。王社国等网人针对 LBG算法收敛速度过快，导致矢量量化(VQ)最佳码本生成进行分析，将遗传算 法(GA)和LBG算法融合到矢量量化(VQ)的码本设计中，结合两者的优点生成 GA-L算法，该算法有效地改善最佳码本的生成质量，在汉语连续数字语音识别 中,GA-L算法可以有效地解决识别率的问题，由于该算法复杂度增加，其码本 的的收敛速度有待提升。Rehman等四人采用矢量量化(VQ)作为说话人识别方法,通过提取 Mel 频率倒谱系数(Mel-Frequency Cepstral Coefficients,MFCC)和 Bark 频率倒谱系数(Bark Frequency Cepstral Coefficients,BFCC)两种语音特征参数，分析两种特征信号对文本相关说话人识别系统的影响，实验结果发现，MFCC参(C)1994-2022 China Academic Journal Electronic Publishing House.All rights reserved,贵州民族大学2022届硕士研究生学位论文数的识别系统的识别效果更好。当说话人数量从20开始增加时，两个识别系统识 别性能均有所下降。徐利军基于DTW算法和放宽起始点的DTW算法对孤立词 语音识别研究口叫在受噪声干扰情况下，相对于传统的DTW算法，放宽起始点 的DTW算法识别效果更好，但语音识别率上升不明显。Mohan等川人设计基于 DTW算法的孤立词识别系统，首先提取语音的MFCC特征参数，其次将单音节 和双音节的DTW算法模块分别训练出来，并且对每个单词生成的节省模块进行 分析，实验结果得出，每个单词节省10个模块比节省5个模块的效果好，双音节 的词性识别效果比单音节好。由于相同词和不同词之间的距离相差较大，根据词 与词之间的距离设定一个阈值，实现以模板的距离来识别说话人的单词。Wang 等0人针对特征点的时间序列近似表示以及DTW算法计算存在的缺陷进行分 析，提出一种基于特征点和DTW距离混合时间训练匹配算法，通过均匀采样和 特征点的混合表示的思想，相对于常用的度量方法，如欧几里德距离和动态时间 规整距离，该方法很好地解决了时间线的移动问题，同时也克服了 DTW算法计 算度复杂的缺陷，保持匹配精度同时，降低了一定的计算成本。该算法有效大规 模和高维度的时间序列特征参数计算量问题。到20世纪80年代，语音识别算法逐渐转向隐马尔可夫(HMM)模型方法研究 口34。HMM作为一种经典的传统统计模型，该模型具有非常丰富的数学结构，一直广泛应用在各个领域的研究冏。Han等的人针对B-W方法训练HMM难以 实现全局优化的问题，提出将遗传算法融合到HMM模型中，并且通过利波变换 对高频数据使用较小的窗口，而对低频数据使用较长的窗口的特点，用小波变换 来对非平稳信号的多分辨率分析和局部特征提取，改进后的模型用于五种离散的 清晰状态分类,该模型有效降低识别错误率，对语音情感识别具有较好的稳定性。易雪蓉等口71人利用HMM模型对声调语音模型研究,通过改造语音模型和语言模 型来提高近音字和同音字的识别率，但对轻声和四声识别效果不理想。后来开始 研究基于(Gaussian Mixture Model-Hidden Markov Models,GMM-HMM)的语音识 别框架18-20。在此期间，声学模型的引入大大提高了语音识别的准确性。虽然这 些传统模型针对小词汇识别上取得良好的成果，但针对大量词汇、非特定人语音 识别研究效果有待提升。(C)1994-2022 China Academic Journal Electronic Publishing House.All rights reserved,贵州民族大学2022届硕士研究生学位论文1.2.2 基于深度学习方法语音识别研究现状在深度学习兴起前,人工神经网络(Artificial Neural Network,ANN)在语音识 别领域已经受到关注口，到2006年，Hinton等122人将深度学习的概念引出。此 后，随着深度学习技术的发展，促进语音识别系统的准确率进一步的提升。如今 广泛应用到实现语音识别领域。Sainath等四人将深度置信网络(DBN)应用于先进 的LVCSR系统中，提出了基于DBN训练数据并行化的方法，解决了数据并行 化在机器数量上提供线性加速问题。在不影响字错率的情况下，提升了 LVCSR 系统识别的性能。Sundermeyer等啰1人将前馈神经网络(Feed Forward Deep Neural Network,FDNN)和递归神经网络(Recursive Neural Network,RNN)引入在声学模 型中，并在法语语音识别任务上做实验分析。基于递归神经网络(RNN)优于标准 的前馈神经网络(FDNN),但需要进一步改进最佳列表的解码问题。Naing等25 人以深度神经网络-隐马尔可夫混合模型(DNN-HMM)为网络框架，设计一种自动 噪声检测前端技术，针对孤立词进行识别，在高噪声条件下的识别率高于梅尔频 率倒谱系数(MFCC)。李云红等M人提出一种结合深度玻尔兹曼机(Deep Boltzmann Machine,DBM)的DNN-HMM 的语音识别方法，比传统的DNN-HMM 模型在词错率和句错率均有所下降。后续卷积神经网络(Convolutional Neural Networks,CNN)循环神经网络(Recurrent Neural Network,RNN)、长短时记忆 网络(Long Short-Term Memory,LSTM)等引入到语音识别网络中印却。张晴晴等 即人对卷积神经网络(CNN)结构进行分析，通过在TIMIT数据集上进行实验对 比分析，与传统深层神经网络模型(DNN)相比，卷积神经网络具有权值共享的优 点，有效降低训练参数的复杂性，识别性能更好，且泛化能力更强，但整体识别 率有待提升。He等人对神经网络训练过程出现过拟合的问题进行分析，提出 将dropout应用于LSTM声学模型中，以逐元素退出和逐帧退出两种方法来验证 该模型的性能，在THCHS-30上的实验得出，与原始LSTM模型相比，两种方法 有效提高基于LSTM的声学模型的性能。此后，语音识别进入一个快速发展的 阶段，逐渐向端到端语音识别方向发展3幻。传统的自动语音识别系统由声学模型、发音字典、语言模型等模块组成，与端到端自动语音识别系统相比，其结构较复 杂，模型的构建过程也比较繁琐。因此，端到端自动语音识别逐渐替代传统自动 语音识别系统。Watanabe等四人提出基于CTC/注意力端到端ASR的混合结构，(C)1994-2022 China Academic Journal Electronic Publishing House.All rights reserved,贵州民族大学2022届硕士研究生学位论文该模型结构训练时采用多目标学习框架来提高模型鲁棒性，并实现快速收敛。在 解码时采用单次波束搜索算法，结合了两种结构在训练和解码过程的优势，有效 解决不规则对准的问题。Shi等8人针对基于传统LSTM-CTC模型表达能力的受 限因素进行分析，提出用高秩投影层来替换传统LSTM-CTC模型中投影矩阵，这是由于高秩投影层的输出是由多个向量的加权组合，这些通过不同的投影矩阵 和非线性激活函数投影出来的，可以提高LSTM-CTC模型的表达能力。Kim等网 人对基于注意力模型端到端语音识别技术缺乏预定对齐进行分析，在噪声条件下 注意力表现出较差，且在长输入序列的初始训练阶段学习能力较差，提出基于 CTC-Attention模型融合到多任务学习框架中，该方法提高模型的鲁棒性，同时 加快收敛速度，从而缓解对齐问题。虽然语音识别逐渐由少量词汇向大量词汇语音识别方向研究，但在语音识别 过程中的噪声处理仍然是一个很难突破的难题，当面临于嘈杂的环境中，语音识 别系统也很难辨析出讲话人的语言。为此，需要将其他领域先进方法和技术融合 到语音识别技术中，以提高识别的准确率，逐渐实现语音识别技术的产品化。1.2.3 苗语语音识别研究现状少数民族语言不仅具有较高的学术研究价值，还具有很好的应用价值和广阔 的发展前景。在少数民族语言语音识别研究中，努尔麦麦提尤鲁瓦斯等M人针 对维语连续连续语音的识别单元和分词问题，提出了基于音节的语言模型，并以 最大匹配分词算法来评价该模型的性能，从对比实验来看，基于音节识别模型的 识别率高于其他识别单元。但在大词汇量连续语音识别任务中，由于模型识别对 词库的依赖性较强，降低音节识别模型的识别性能。武晓敏等卬人提出自然语料 缺乏的民族语言连续语音识别，针对民族语言数据采集困难，导致语料的不足等 问题，提出了一种自然语料缺乏的民族语言连续语音识别方法。采用HTK通过 人工标注的少量语料生成种子模型，引导大语音数据构建声学模型；再利用 palmkit工具生成统计语言模型；最后以Julius工具实现连续语音识别。此方法 对民族语言连续语音识别获得一个较高的准确率。韩清华等网人用HMM模型对 安多藏语非特定人孤立词语音识别研究。根据安多藏语的特点，改进了语音信号 的端点检测方法，有效提高模型对安多藏语语音识别率。Pan等3刃人提出了一种 基于动态贝叶斯网络(Dynamic Bayesian Network,DBN)算法对藏语语音进行识(C)1994-2022 China Academic Journal Electronic Publishing House.All rights reserved,贵州民族大学2022届硕士研究生学位论文别，相对传统马尔可夫模型(HMM)的识别算法，该算法提高识别能力和抗噪声 的识别能力，但需要设计适合大量词汇和连续语音识别的DBN识别模型。Li等 4。人基于机器学习的孤立词识别算法进行研究，通过提取不同特征向量，在不同 分类器下分离词语音识别的准确性。Hu等旬人利用混合单元建立语言建模，通 过引入了一个插值LM来提高模型的识别性能，降低了维吾尔族语音识别的错词 率。目前针对资源少、无文字的苗语语音识别研究成果较少。虽然苗语数据收集、发音特点、语法结构分析等方面有了一定的研究进展，但在语音识别上研究成果 比较欠缺。李一如等M21人对苗语数据进行收集声韵母、苗语比较结构进行分析。李学林等田人针对贵州省中部苗语音素边界检测方法进行研究，实现对音素边界 进行划分;杨建菊等M41人基于HMM对苗语连续语音识别系统进行初步设计和识 别测试。苗语语音识别在传统方法方面有了一定的研究成果，但基于深度学习方 法的研究成果比较少。1.3 主要研究内容苗语存在语言文字缺失、语音语料库不健全、地域差异大等问题，因此苗语 的语音识别成为少数民族语音识别研究的难点问题。为了更好地传承和保护苗族 语言文化，苗语语音语料库的构建和语音识别具有重要的研究意义。本文主要解 决苗语语音语料库的构建和苗语孤立词语音识别、苗语连续语音识别三个工作，研究内容如图1-1所示。本文主要工作如下：(1)针对苗语存在语言文字缺失、语音语料库不健全、地域差异等问题，借 助汉语以及汉字拼音对苗语语音标注，构建了不同地域的苗语语音语料库。(2)针对苗语孤立词语音识别问题，以汉字拼音作为媒介，设计了苗语孤立 词汇的识别模型，该模型利用卷积神经网络对提取的语音特征进行训练和测试，实现苗语孤立词语音识别，解决了文字缺失情况下的苗语孤立词语音识别问题。(3)针对苗语连续语音识别问题，提出一种基于Transformer的苗语连续语音 识别模型，使用汉字作为标签的建模方法进行训练模型，可以直接将苗语语音解 码成汉字，无需发音词典进行训练，能将苗语连续的语音识别出来，有效解决了 苗语连续语语音识别困难。(C)19942022 China Academic Journal Electronic Publishing House.All rights reserved,贵州民族大学2022届硕士研究生学位论文解决无文字的苗 语语音识别问题图1-1本文研究内容1.4 本文结构第一章绪论。首先介绍语音识别研究背景及意义，其次对基于语音别方法国 内的外研究现状以及少数民族语音识别现状进行简要的概述，最后对本文主要的 研究工作进行介绍，为之后的研究工作奠定基础。第二章构建苗语语音语料库。首先介绍苗族的变迁和分布情况、苗语方言、苗语的发音特点、以及语法结构等。其次对苗语语音语料库的构建及遇到的问题 进行阐述。第三章提出了一种基于卷积神经网络的苗语孤立词语音识别模型。由于苗语 存在文字缺失、地域差异等问题；用现有语音识别网络难以实现对苗语语音直接 7(C)1994-2022 China Academic Journal Electronic Publishing House.All rights reserved,贵州民族大学2022届硕士研究生学位论文识别；针对苗语语言文字缺失的问题，利用汉语拼音为媒介标注苗语语音，引入 卷积神经网络作为苗语孤立词汇识别模型。第四章提出一种基于Transformer的苗语连续语音识别模型。通过以 Transformer作为基础，利用汉语作为苗语语音数据的识别标签，可以实现苗语 连续语音识别成汉字，解决了苗语连续语音识别问题。第五章总结和展望。对本论文进行总结及分析并对未来苗语语音识别研究工 作进行展望。8(C)1994-2022 China Academic Journal Electronic Publishing House.All rights reserved,贵州民族大学2022届硕士研究生学位论文2苗语语音语料库的构建本章首先对苗族的起源以及分布情况进行简要的概述，并对苗语语言使用情 况、发音特点、语法结构进行介绍，其次构建苗语语音语料库，苗语语音语料库 包含贵州省黔东南部分地区语音数据，其中苗语语料库包括苗语中的字词句，并 对构建苗语语音语料库的相关工作以及构建语料库过程中遇到的问题进行说明。2.1 苗族简介苗族作为我国少数民族之一，分布地域广，人口众多。其起源居住地在中原 一带的黄河中下游地区，之后迁移于长江中游的湖南和湖北洋。到后来随着历史 的变迁，一部分迁徙至云南、贵州、四川、广东、广西一带，也有一部分融合到 其他民族，还有一部分到达了东南亚一带。在越南战争期间，有几十万又被迫流 落欧美国家。在苗族中还存在支系划分，这些支系放分别为花苗、青苗、白苗、黑苗、红苗等支系Ml。语言主要划分为东、中、西部方言。不同支系之间的生活 方式和风俗习惯也有所区别。在长期的历史演变过程中，苗族创造了丰富的民族 文化。由于苗族史上没有文字表述，很多优秀的民族传统文化只能靠世代口口相 传。2.1.1 苗族语言苗语作为苗族的语言，它是一种孤立语系，属于我国少数民族语言之一，目 前苗语根据不同地域发音特点，可分为东部（湘西方言）、中部（黔东方言）、西部（川黔滇方言）三个方言，每一种方言下又有若干种方言ML中部苗语方言（黔东方言）是苗语的重要分支，黔东苗语又分为东部、西部、南部、北部四种 土语。大多分布在贵州一带，也有分布在湖南、广西等地区，不同地方的方言各 有差别和特点。由于苗语的方言众多，虽然在语法结构上相似，但不同方言之间 的口音、发音上有很大的差异，词汇也存在一定的差异，导致难以创办一种统一 的苗语文字即。到1956年，在“苗语语言文字问题科学讨论会”会议上，决定将 东部、中部、西部三个方言各创立一种苗文文字，北部方言在原有文字基础上进 行改革，这些苗文文字是基于汉字拼音和国际音标来标注。(C)1994-2022 China Academic Journal Electronic Publishing House.All rights reserved,贵州民族大学2022届硕士研究生学位论文2.1.2 苗语语法结构语言都有自身的语法结构，苗语作为苗族的语言，有部分词语是借用汉语表 达，整体的语法结构与汉语类似49。由于苗族分布比较广泛，在不同地域有不同 的方言，每一种方言下又分为多种土方言。因此，每个地方的词汇、发音有一定 的差异，语法结构也有所不同，对于同一个词，不同的地方有不同的发音，而有 些词语，在一些地方可能发一个音，另一个地方发两个音，这也是苗语自身存在 鲜明的特色。虽然有很多汉语借词现象，但其语法规则与汉语也有一定的差别。苗语具备汉语语言的一般特点：(1)一个音节有一个声调，每个声调与其他音节的含义有所区别；(2)每个音节都有自身的语法含义；(3)苗语也有自己的声调，在汉语中分为一、二、三、四声；在苗语中不同 的地方的方言有不同的定义，中部方言分为8个声调；(4)语音的结合有较大的局限性，只有一定的辅音可以居于音节末尾；(5)苗语的部分词语与汉语同音同译；苗语自身的语言特点：(1)苗语中声母多，韵母少，汉语中声母少，韵母多；(2)苗语中一个词语可能发一个音，在汉语中是两个音；(3)部分词的语序与语义顺序相反；各民族文化之间相互交流和借鉴，大多的民族语言的语法结构逐渐发生变 化，这是由于语言内部的机制和外部社会影响所导致，尤其是语言的直接交流和 接触对民族语言的发展变化有巨大的影响。另外，受主流语种(如汉语、英语等)的影响，各少数民族语言的使用其情况越来越少，对民族语言文化逐渐淡忘，多 数民族语言的语序和语法结构也发生一些变化，苗语也是如此。2.1.3 苗语声韵母、声调特点以贵州省中部苗族语音为研究对象(即黔东方言)，由于苗语存在文字缺失的 问题，为了便于对苗族语言的学习和研究，按照语音的区域发音特征，根据贵州 省中部苗语使用地方发音的特点，用国际音标或汉语拼音对苗语进行标注，其发 音可以由声母、韵母及声调相拼合成。贵州省中部苗语发音是基于声韵母、声调 组合发音的特点，本文参考贵州大学出版社中部方言苗语语文读本中所列苗10(C)1994-2022 China Academic Journal Electronic Publishing House.All rights reserved,贵州民族大学2022届硕士研究生学位论文语的声韵母及声调标注方法5%对所构建的苗语语料库进行标注。声韵母、声调 如下表2-1所示。表2-1苗语声母、韵母、声调表声母韵母声调b/p/m/hm/f/hf/yv/d t/n/hn/dl/hl/l/z/c s/hs/r/j/q/x/hx/y g/k/ng/v/hv/gh/kh/hi/e/a/o/u/ai/ee ao/ei/en/ang/ong/ia/io iu/ie/iee/iao/in/iang/iong ui/ua/uai/un/uangb/x/d/l/t/s/k/f声调对应的调值如下表2-2所示。表2-2声调对应的调值声调bXd I tskf声调值3355352244135331这里仅对中部苗语的声韵母、声调及声调值进行说明，其中声母有32个，韵母有26个，声调有8个。由于苗语各地区发音不统一，所以对苗语的文字表 述也有所差别。同一个字