语音识别基本算的研究.pdfVIP

些查奎翌奎兰堡主兰些笙兰 一．————————————————————————————i堡 摘要 本文的研究取得三项结果：1)提出一种用于实现“语境相关矢量量化”的 算法；2)为解决汉语识别中存在的多字词且词边界不明确的问题，提出一种基 于语言模型概率“等级化”和候选(多字)词的(词图)启发搜索，从而简化 了汉语识别的“词图搜索”过程：3)阐述了训练数据自动切分及声学模型自动 训练的重复迭代过程，从而给出了实现声学模型自动训练的基本算法。但体阐述 如下： 1)提出一种实现cr语境相关矢量量化”的Interpolation算法 在目前发表所有的有关文献中，只阐述了语境相关矢量量化算法的基本原 理，均末给出这种算法的具体实现方法。因此，在本文的第二章中，提出一种自 适应地确定分裂增益和融合损失的算法，从全部发音语境中挑选出发音差异最大 的若干语境的训练数据单独构成混合密度中的分量，而发音差异较小的其它语境 的训练数据共同构成一个混合分量。因此，这种算法实际上是一种训练声学模型 的Interpolation算法。 2)提出一种基于语言模型概率“等级化”和候选词的(词图)启发搜索算 篮 语音识别由“音节(词)树搜索”和“词图搜索”两个过程实现。树搜索用 于确定要扩展的音节或词，而词图搜索用于确定最大后验概率的句子(词序列)。 beam search，和时间异步搜索，如A’ 树搜索算法分为时间同步搜索，如Viterbi 算法。为保证识别率，明确较多地采用A+算法。彳+算法要求快速声学匹配结果 作为启发函数，而快速声学匹配可以采用Viterbi时间同步搜索来实现。词(音 节)树搜索的结果为进一步完成词图搜索提供候选(可能的词串或音节串)。 词图搜索要求同时使用语言模型概率和声学匹配概率来确定最大后验概率 的词序列(句子)。而一般语言模型概率和声学匹配概率是两种不同范围的概率 测度，不能直接共同用于计算词序列的后验概率。为此，本文第三章提出将语言 模型概率按其log值大小等级化，log语言模型概率愈高，等级值愈低。这样， 等级化的语言模型概率可以直接与等级化的log声学匹配概率的时间平均值累 加，而获得似然词序列的后验概率。 为实现词图搜索，在第三章还提出为似然音节解码路径中的每～音节分配一 个结构，用于记录其所构成的词在路径中的匹配情况，包括其实际长度，当前已 匹配长度，在路径中的位置，以及声学匹配概率等级时间平均值，等等，从而极 大地简化了词图搜索的实现过程。此外，在词图搜索过程中，用来得到语言模型 第 j 页 韭互兰望查兰壁：!堂丝丝苎：———————————————————————————塑兰 概率确证的候选词作为启发函数(即每一trigram或词对的尾词)，来确定该 trigrarn的中间词或该词对的头词是否能够构成最大后验概率的句子，从而构成 “启发搜索”。 3j阐述了声学模型自动训练的基本原理 当前语音识别系统的进步，不仅体现在系统性能的提高，例如：可以获得较 高的非特定人、大词汇表、连续语音的识别率，及系统应用范围的拓展，如：可 以用于电话语音识别和人机对话系统，等等…，而且还表现在当前的识别系统在 很大程度上可以自动构成，如：训练数据可以自动切分和标注，声学模型可以自 动训练，等等…。这些进步都是促使识别系统在不断降低研究人员的工作量和工 作强度的前提下，依然能够迅速更新，性能不断提高的重要保证。 训练数据的自动切分及标注是声学模型自动训练的前提。本文第四章将训练 数据的自动切分过程分为四个阶段，第一个阶段是用孤立音节训练的声学模型自 动切分连续语音(将连续语音切分成音节)；第二个阶段是用人工切分的(音素) 初始化训练数据训练音索模型；第三个阶段是用初始化训练的音素模型切分连续 语音(将音节切分成音素)；第四个阶段是不断重复音素模型的训练过程及其对 训练数据的切分，直至收敛为止。文中详细论述了用音节模型自动切分连续语音 的方法。 在第四章还阐述了仅凭最大似然性或最大后验概率不能确定语音识别的可 信度，语音识别的可信度必须利用多模态信息处