范正光,屈丹,闫红刚,张文林

(解放军信息工程大学信息系统工程学院,450002,郑州)



借助音频数据的发音字典新词学习方法

范正光,屈丹,闫红刚,张文林

(解放军信息工程大学信息系统工程学院,450002,郑州)

针对已有的发音字典扩展方法只能从文本数据中学习新词而无法学习到音频数据中新词的问题,提出了一种基于混合语音识别系统的发音字典新词学习方法。该方法首先分别采用音节和字母音素对混合识别系统对音频数据进行集外词识别,利用系统间的互补性得到尽可能多的新词及其发音候选,然后借助感知器与最大熵模型对得到的新词及发音进行优化,降低错误率,最后实现发音字典的扩展,并利用语法语义信息完成对语言模型参数更新。基于华尔街日报(WSJ)语料库的连续语音识别实验表明:该方法可以有效学习到音频数据中的未知新词,采取的数据优化策略极大地提高了所得新词及发音的精度;在词错误率指标下,字典扩展后系统的识别性能相对基线系统提高约13.4%。

语音识别;发音字典;新词学习;集外词

发音字典是搭建现代连续语音识别系统(continuous speech recognition, CSR)所必需的数据资源,但传统的发音字典由语言学专家手动生成,需要花费较高的成本。针对这一问题,当前普遍采用发音字典自动学习来减小人工工作量。目前,常用的字典自动学习方法主要有2类:基于字母音素转换(grapheme to phoneme conversion,G2P)的方法[1-3]和基于网络爬取的方法[4]。基于G2P转换的方法是指通过对文本语料(如爬取的网络文本语料)进行统计发现新词,然后利用G2P转换获取这些新词的发音。常用的G2P转换方法有基于联合序列模型的方法[2]、基于神经网络模型的方法[3]等。基于网络爬取的方法可以认为是第一类方法的特例,该方法通过爬取一些特殊的网页(如维基字典等),直接获取带有发音的新词,从而避免了G2P转换带来的错误,保证了获取新词及发音的准确性。借助文本语料的发音字典扩展具有实现简单的优点,但文本语料往往存在较多的错误,如拼写错误等,这些错误会增加发音字典的混淆度进而影响识别性能[5]。此外,当文本语料较少时,该方法发现的新词数量也有限。

随着网络技术的发展,音频数据越来越成为一种较易获取的数据资源。音频数据中也会存在很多的新词,并且这些新词不在发音字典中,传统的语音识别系统无法识别。这些新词被称为集外(out-of-vocabulary, OOV)词、集内(in-vocabulary, IV)词。为了识别集外词,文献[6-9]采用不同的子词单元构建词/子词混合语音识别系统。该混合系统在解码时将集外词表示成一些被称为子词的语音单元序列,进而利用这些子词序列实现集外词的识别。混合语音识别方法虽然可以识别集外词,但在识别时同样会将部分置信度较低的集内词识别成子词形式,从而影响识别性能。此外该方法解码复杂度较高,限制了其在实际中的应用。

综合上述方法,针对音频数据中的新词,本文提出一种新的基于混合语音识别系统的发音字典新词学习方法。该方法利用混合语音识别系统的识别结果提取集外词和发音,并借助感知器以及最大熵模型等对这些新词及发音进行优化以降低错误率;针对现有的混合语音识别系统集外词召回率低,采用多个混合系统进行融合以提高新词发现率;最后提出了基于语法语义的语言模型参数估计方法。实验表明,新方法可以有效发现音频数据中的新词,采用扩展后的字典,系统性能相对基线系统也有了较大提升。

1 词/子词混合语音识别系统

图1给出了混合语音识别系统框图。混合语音识别系统与传统语音识别系统的主要区别在于可以对集外词进行识别。在识别时,混合语音识别系统首先采用混合字典以及混合语言模型得到混合识别结果。在混合识别结果中,集内词识别成词的形式,而集外词则识别成如音素(phones)、字母音素对(graphones)以及词素(morphemes)等子词形式。通过对混合识别结果进行处理,从而得到最终词级识别结果。

图1 混合语音识别系统框架

1.1 混合字典

混合字典包含词和子词2种不同类型的语音单元,子词用于解码时表示集外词。本文讨论音节和字母音素对2种类型的子词。其中,音节是由一个或几个音素按一定规律组合而成的语音单位;字母音素对是在训练联合序列模型字母音素转换器时得到的,为字母序列和发音序列间的映射。本文分别使用Festival词典工具[10]以及Sequitur G2P工具[2]获取这2种子词。所有子词均加入词边界标记,结尾子词标记为“#”,非结尾子词标记为“+”。引入词边界标记虽然增加了子词单元数量,但使集外词的恢复变得更加简单。

1.2 混合语言模型

将语言模型训练语料中的集外词表示成相应的子词序列得到混合语料。由混合语料训练得到混合语言模型。在混合语言模型中不仅包括词的N-gram参数,也包括词与子词以及子词与子词的N-gram参数。训练好的混合语言模型,通过设置集外词插入惩罚因子POOV可以控制解码时子词单元出现的比例。如对于训练得到的语言模型参数ps(s1|w1w2),调整后的参数为pt(s1|w1w2)=pOOV·ps(s1|w1w2),其中s1为子词,w1、w2为词。采用该混合语言模型进行解码,即得到混合识别结果。

1.3 集外词识别

集外词识别模块包括集外词检测和集外词恢复2部分。集外词检测用于通过混合识别结果,确定集外词的位置(在混合识别结果中,子词序列出现的位置则表示集外词位置),而集外词恢复则是为了获得集外词的正确拼写。

针对集外词恢复,不同的子词有不同的恢复方法。字母音素对本身包含了单词的拼写形式可以直接用于集外词的恢复。采用音节作为子词单元时,往往先根据音节序列获取集外词的音素序列,然后通过音素字母转换(P2G)得到。图2给出了一个集外词识别示例,对混合解码器得到的音节混合识别结果,首先通过音节序列确定集外词位置,然后根据该序列以及词边界标记确定集外词的发音,最后经过音素字母转换获得集外词识别结果。

图2 集外词识别以及新词学习示例

2 基于混合语音识别系统的发音字典新词学习

混合语音识别系统具有可以识别集外词的优点,其识别得到的集外词即为新词(如图2所示)。由于在识别以及音素字母转换中都可能存在一些错误,直接恢复得到的集外词及发音准确率较低,为此本文对识别得到的集外词及发音进行优化以降低错误率。同时,针对混合语音识别系统集外词召回率低的缺点,采用多个混合系统来提高新词的发现率。整个字典学习流程如图3所示,对于给定的音频数据,首先采用多种子词单元混合系统(本文只讨论音节混合系统和字母音素对混合系统)进行集外词识别;然后对获取的集外词及发音进行优化,降低错误率;最后将筛选结果加入发音字典中,并完成字典及语言模型参数更新。

图3 基于混合语音识别系统的字典新词学习流程

对于获取的新词(即集外词)及发音,本文采取的优化措施归纳如下:

(1)对得到的新词,首先进行过滤去除集内词,这主要考虑到采用混合系统解码时引入的一些虚警错误;

(2)2个不同混合系统得到的相同的新词及发音,认为可信度较大,从而直接判为正确新词;

(3)根据不同混合系统获得的新词及发音,确定不同的代价函数,并通过设定不同的门限进行筛选,将筛选结果扩充到发音字典中。

2.1 代价函数的确定

导致学习到的新词及其发音错误的原因主要有2个,一是识别错误,即混合识别结果中存在识别错误的子词序列,二是恢复错误,主要是在进行集外词恢复时导致的错误。因此,代价函数应包含对这2种错误的评估。根据在进行集外词恢复时是否需要进行P2G转换,本文确定了2种类型的代价函数,一种是基于感知器模型的代价函数,一种是基于最大熵模型的代价函数。

2.1.1 针对音节混合系统的代价函数 基于音节的混合系统,在进行集外词恢复时需要进行P2G转换。对于获取的新词及发音,借助感知器模型[11]的思想构造代价函数。首先计算多种特征值的线性加权和,即

g(s)=αf(s)=α0+α1f1(s)+α2f2(s)+α3f3(s)

(1)

式中:s为解码得到的音节序列;α=[α0,α1,α2,α3]为特征权重;f1(s)为该音节序列的声学模型得分(置信度得分),是解码得到的音节序列中各音节声学模型得分的乘积,定义为

(2)

其中sAM(i)为第i个音节的声学模型得分;f2(s)为语言模型得分,通过将词表中的单词表示成音节,从而训练得到音节语言模型并计算音节序列的得分;f3(s)为P2G转换得分,由P2G转换工具得到。由于g(s)是线性的,采用Sigmoid函数进一步将实数域上的g(s)映射为0到1,得到最终代价函数

(3)

对于权重αi,采用感知器算法进行学习,首先,对φ(s)求导

φ′(s)|g(s)=φ(s)(1-φ(s))

(4)

其次,令d(s)代表训练样本的正确分类,定义为

(5)

最后,根据训练样本对权值进行迭代训练,迭代公式如下

α=α+ηφ′(s)(d(s)-φ(s))f(s)

(6)

式中:η为训练步长,本文选取固定的η为1。

2.1.2 针对字母音素对混合系统的代价函数 基于字母音素对的混合系统,进行集外词恢复时不需要进行P2G转换,对此本文采用最大熵模型(Maximum Entropy,ME)[12]确定代价函数

(7)

(8)

式中:y为分类标签,结果属于集合{RIGHT,WRONG};s为获取的字母音素对序列;f(s,y)为特征函数,是一个二值函数;k为特征函数的个数;λi为权重;Z(s)为归一化因子。

在最大熵模型中,关键是要选取合适的特征,对于得到的新词及发音,判定其正确与否的因素有该词包含的字母音素对个数、字母音素对序列的声学模型以及语言模型得分等。根据这些因素,建立特征模板,并根据训练集数据定义每个模板取值范围,如表1所示,模板1～5是决定新词是否正确的特征模板,模板6为一个特殊模板,表示判定结果。在表1定义的特征模板中,模板2用于判断字母音素对序列中是否含有字母音素对语言模型的二元和三元条目,目的在于确定该字母音素对序列是否符合单词的构成规则。模板4和5的定义与2.1.1节中的定义相似,在获取声学模型得分与语言模型得分后,计算所有得分的均值μ和方差σ,

并由此确定阈值

T=μ+σ。

当模板函数取特定值时,该模板被实例化,得到具体特征。取1～5号中任一模板,确定模板取值,并结合当前判定结果的值(即DEFAULT的值),就可以产生一个特征。定义特征格式为A-B=C,其中A为特征模板为对新词判定时需要考虑的因素;B为该特征模板的取值;C为模板DEFAULT的取值,表示判定结果。

例如由模板1可以确定一个特征ENDTAG-#=RIGHT,表示为二值特征函数

(9)

该特征函数表示如果新词对应的子词单元序列中最后一个子词单元的结尾标记为“#”,并且该新词正确,则函数值为1,否则为0。确定特征集合后,通过训练数据(Dev93开发集)进行参数估计。

2.2 语言模型参数的估计

加入字典中的新词及发音,只有在语言模型中包含其相关的参数,才能被识别系统正确识别。针对该问题,可以采用较大的语言模型训练语料,对语言模型进行重新训练,但在缺少训练所需的语料时,这些参数便无法通过最大似然估计有效获取。为此,本文利用语法以及语义信息来实现这些参数的估计,该方法的主要步骤如下。

步骤1 估计新词的unigram参数。采用Stanford MaxEnt POS[13]对包含新词的识别结果进行词性标注,获取新词及其上下文单词的词性信息。假设wi为加入到字典中的新词,li为其标注(即词性),则该词的unigram得分可以表示为

(10)

式中:p(li)是标注li的先验概率;p(wi|li)为从标注为li的所有单词中观测到新词wi的概率,采用下式进行估计

(11) 表1 特征模板及取值范围

其中N为训练集中标记为li的集内词的个数。

步骤2 估计新词的bigram以及trigram参数。参照步骤1,对2种参数的计算分别如式(12)和式(13)所示

(12)

(13)

式中:li-1和li-2分别为第i-1和第i-2个位置的单词的标注。

步骤3 借助WordNet[14]获取更多的语言模型参数。采用词性信息获取的新词语言模型参数数量较少,在真实条件下得到的新词可能出现在不同语境中。对于得到的新词,首先利用WordNet获取与该词具有相似语义的集内词(即同义集内词);然后获得这些集内词的bigram以及trigram语言模型参数,并将这些参数中的集内词用相应的新词进行替换,从而得到更多的语言模型参数。

3 实验结果和分析

3.1 实验数据

选用华尔街日报(Wall Street Journal,WSJ)语料库作为实验语料库,其中声学模型训练集由WSJ0和WSJ1中的37 416句话构成,包含284个说话人,共约80 h。选用WSJ Dev93开发集,用于新词优化中代价函数参数的训练。选用WSJ Eval93和WSJ Eval92测试集,分别用于优化过程中门限值的确定以及最终测试集。语言模型训练数据采用WSJ 87-89文本数据,大小约215 MB。对上述文本进行统计得到出现频率最高的2×104个单词,并通过CMUdict[15]获取发音,构造发音字典。表2给出了采用该发音字典时不同数据集中集外词数量以及所占比例。

表2 各数据集中集外词所占比例

3.2 实验设置

实验主要基于开源工具包Kaldi搭建。声学特征采用13维的MFCC参数及其一阶、二阶差分,总特征维数为39维,帧长为25 ms,帧移为10 ms。声学模型采用最大似然估计(MLE)方法得到,为包含3个发射状态的、自左向右无跨越的3音子HMM模型。采用基于决策树的三音子状态聚类,得到3 285个不同的上下文相关状态,模型中总的高斯混元数为2×104。所有的语言模型为3-gram语言模型。集外词插入惩罚因子POOV设置为0到5.5,步长0.5。

3.3 评测指标

集外词检测中常用的衡量指标为虚警概率Pfa和漏检概率Pmiss,定义为

%

(14)

式中:Nfa为虚警数,即检测集外词中包含的集内词个数;NIV-ref为参考文本中给定的集内词数量;Nmiss为漏检数,即未检测出的集外词个数;NOOV-ref为参考文本中给定的集外词个数。在虚警率和漏检率的基础上,可以通过检测错误折衷(detection error trade-off,DET)作为系统性能评价指标,曲线越靠近坐标原点则系统性能越好。

学习到的新词通过准确率Pac和召回率Pre衡量,定义为

%

(15)

式中:Nright表示筛选结果中发音正确的新词个数;Nfiltered为筛选后总的新词个数;Nref为音频数据中总的新词个数。此外,本文也采用综合这两者的F值来衡量新词学习性能

(16)

3.4 实验结果

本文建立了3套语音识别系统分别用于新词学习以及发音字典扩展前后识别性能的比较:①Base_20k系统为词表大小为2×104的传统语音识别系统;②Hybrid_syllbale系统为采用音节作为子词单元的混合语音识别系统;③Hybrid_graphone系统为采用字母音素对作为子词单元的混合语音识别系统。

图4 2种系统的集外词检测性能

3.4.1 基于混合系统的集外词识别 进行集外词检测时,根据处理后的混合识别结果,子词单元出现的区域可以认为是集外词区域。图4是通过设置不同的集外词插入惩罚因子POOV对Eval92测试集得到的不同系统的集外词检测DET性能曲线。从图中可以看出,音节混合系统以及字母音素对混合系统在集外词检测方面具有相近的性能,但是由于不同子词单元具有不同的特性,从而使得输出结果存在一定的互补性。

表3为POOV=1的情况下,2个混合系统的集外词检测与恢复比率(即正确检测集外词个数与正确恢复集外词个数占参考中总集外词数量的比例)。可以看出,虽然2个混合系统有超过一半的集外词被正确检测出,但是最终正确恢复得到的集外词仅有30%左右,这说明即便识别音频中的新词被检测到,但由于识别得到的子词以及在恢复过程中都可能存在错误,从而导致学习到的新词以及发音的错误。这些错误加入到发音字典中,会降低字典的质量,从而对识别性能造成影响。将2个系统的识别结果进行融合,可以发现集外词检测以及恢复比率都有提升,从而使得学习到新词的概率大大增加。

表3 不同系统的集外词检测与恢复比率

3.4.2 新词及发音优化 音节混合系统以及字母音素对混合系统采用不同的代价函数进行新词优化,需要确定合理的门限值,以获取最优的系统性能。图5是Eval93测试集在不同门限值下采用不同混合系统经过筛选后的新词及其发音的F值。

(a)音节混合系统 (b)字母音素对混合系统图5 不同门限值对新词优化的影响

由图5可以看出,2个系统只有在选择合理门限的情况下,才能获得更好的筛选结果。如果门限值过低,则筛选后的结果中会存在较多的错误集外词及发音。门限值过高时,虽然可以保证较高的准确度,但是同样会使一些正确的集外词被过滤。根据图中结果,本文对于音节混合系统采用门限值为0.6,对字母音素对混合系统采用门限值为0.5。表4是在上述门限下,对Eval92测试集获取的新词及其发音筛选前后的准确率和召回率,其中,graphones NWs表示字母音素对混合系统得到的新词及发音,syllable NWs表示音节混合系统得到的新词及发音,same NWs为2个混合系统中相同的新词及发音,all为对上述得到的3类新词进行融合。可以看出优化后,新词的准确率获得了较大的提升,2个混合系统中相同的新词具有最高的准确率86.96%。但是,通过筛选也会使部分正确的新词及其发音被过滤掉,导致召回率下降。将3种筛选方式得到的结果合并到一起,可以看出准确率要略微下降。其原因在于,3种筛选方式中可能存在不同错误的新词。但是,通过合并利用了不同系统间的互补性,召回率明显提高,此时的召回率已与优化前各单系统的召回率相当,但准确率明显高于各单系统。此外,扩展后的发音字典可以通过人工筛选来进一步提高准确率。

在运算量方面,2种混合系统均受数据量以及数据集中集外词比例的影响。相比于音节混合系统,字母音素对混合系统采用的代价函数更为复杂,且提取的特征数量较多,但是不需要进行P2G转换,从实验过程中的时间消耗来看,2个系统具有相近的运算效率。

表4 优化前后新词及发音准确率和召回率对比

3.4.3 扩展发音字典及语言模型在连续语音识别中的应用 为了验证本文方法的有效性,在Base_20k系统的基础上,将学习到的新词加入2×104字典中,分别采用WSJ语言模型训练语料以及2.2节中所述的语言模型参数更新方法对语言模型参数进行更新,并与Eval92测试集的识别性能进行对比。

图6给出了对表4中4种不同方式得到的新词采用3种语言模型参数更新方法的识别性能对比。其中,WSJ-corpus LM为采用WSJ语言模型训练语料重新训练的语言模型,Syntactic LM为仅采用语法信息更新参数后的语言模型,Syntactic+Semantic LM为采用语法语义信息更新参数后的语言模型。可以看出,采用扩展后的字典,各系统的识别错误率相比基线系统(Base_20k)都有较为明显的下降,其中采用2个系统融合得到的优化新词(All),语言模型采用Syntactic+Semantic LM时的词错误率最低(7.55%),相对基线系统的8.72%的词错误率,降低约13.4%。采用WordNet加入语义信息更新语言模型参数后,系统的识别性能并没有比单采用语法信息提高太多,这是因为虽然利用语义信息获得了更多的新词语言模型参数,但这些加入的bigram以及trigram参数,并没有出现在测试集中,但当面对新的识别任务时,加入字典的新词就可能出现一些新的上下文情况,单靠语法信息获得的语言模型参数,是无法预测这些情况的。从图中还可以看出,采用WSJ语言模型训练语料重新训练的语言模型,与2.2节的语言模型参数更新方法获得了相近的识别性能,这也验证了本文语言模型参数更新方法的有效性。但是,重新训练的语言模型可以更好地应对一些未知情况,因此采用语法语义信息进行语言模型参数的更新更多的只用在缺少语言模型训练语料时。

图6 3种语言模型参数更新方法对系统性能的影响

4 结 论

本文提出了一种针对音频数据的字典新词学习方法,可以作为现有的利用文本数据进行字典新词学习的补充。该方法利用多套混合语音识别系统进行新词学习,并通过一定的数据优化策略来提高新词的发现率以及准确率。同时,针对语言模型,采用语法语义信息完成对新词语言模型参数的更新。相关实验结果表明,本文方法能有效发现音频数据中的新词,选取的数据优化策略极大地提高了加入字典中的新词及发音的精度。

[1] DAVEL M, MARTIROSIAN O. Pronunciation diction-nary development in resource-scarce environments [C]∥Proceedings of International Speech Communication Association. Grenoble, France: ISCA, 2009: 2851-2854.

[2] BISANI M, NEY H. Joint-sequence models for grapheme-to-phoneme conversion [J]. Speech Communication, 2008, 50(5): 434-451.

[3] RAO K, PENG F, SAK H, et al. Grapheme-to-phoneme conversion using long short-term memory recurrent neural networks [C]∥Proceedings of International Conference on Acoustics, Speech, and Signal Processing. Piscataway, NJ, USA: IEEE, 2015: 4225-4229.

[4] TIM S, OCHS S, TANJA S. Web-based tools and methods for rapid pronunciation dictionary creation [J]. Speech Communication, 2014, 56(1): 101-118.

[5] BERT R, KRIS D, MARTENS J. An improved two-stage mixed language model approach for handling out-of-vocabulary words in large vocabulary continuous speech recognition [J]. Computer Speech and Language, 2014, 28(1): 141-162.

[6] 郑铁然, 韩纪庆, 李海洋. 基于词片的语言模型及在汉语语音检索中的应用 [J]. 通信学报, 2009, 30(3): 84-88. ZHENG Tieran, HAN Jiqing, LI Haiyang. Study on performance optimization for Chinese speech retrieval [J]. Journal on Communications, 2009, 30(3): 84-88.

[7] HE Y Z, BRIAN H, PRTER B. Subword-based modeling for handling OOV words in keyword spotting [C]∥Proceedings of International Conference on Acoustics, Speech, and Signal Processing. Piscataway, NJ, USA: IEEE, 2014: 7914-7918.

[8] QIN L, RUDNICKY A I. OOV word detection using hybrid models with mixed types of fragments [C]∥Proceedings of International Speech Communication Association. Grenoble, France: ISCA, 2012: 2450-2453.

[9] BASHA S, AMR M, HAHN S. Improved strategies for a zero OOV rate LVCSR system [C]∥Proceedings of International Conference on Acoustics, Speech, and Signal Processing. Piscataway, NJ, USA: IEEE, 2015: 5048-5052.

[10]BLACK A W, TAYLOR P, CALEY R. The festival speech synthesis system [EB/OL]. (2002-12-27)[2016-01-04]. http: ∥www.festvox.org/docs/manual-1.4.3/.

[11]韩冰, 刘一佳, 车万翔. 基于感知器的中文分词增量训练方法研究 [J]. 中文信息学报, 2015, 29(5): 49-54. HAN Bing, LIU Yijia, CHE Wanxiang. An incremental learning scheme for perceptron based Chinese segmentation [J]. Journal of Chinese Information, 2015, 29(5): 49-54.

[12]李素建, 王厚峰, 俞士汶. 关键词自动标引的最大熵模型应用研究 [J]. 计算机学报, 2004, 27(9): 1192-1197.

LI Sujian, WANG Houfeng, YU Shiwen. Research on maximum entropy model for keyword indexing [J]. Chinese Journal of Computers, 2004, 27(9): 1192-1197.

[13]KLEIN D, MANNING C. Feature-rich part-of-speech tagging with a cyclic dependency network [C]∥Proceedings of Human Language Technology and North American Chapter of the Association for Computational Linguistics. Cambridge, MA, USA: ACL, 2003: 252-259.

[14]MILLER G. WordNet: a lexical database for English [J]. Communications of the ACM, 1995, 38(11): 39-41.

[15]Carnegie Mellon University. The CMU pronunciation dictionary [EB/OL]. (2007-03-19)[2016-01-04]. http: ∥www.speech.cs.cmu.edu/cgi-bin/cmudict.

(编辑 刘杨)

Learning New Words for Pronunciation Lexicon from Audio Data

FAN Zhengguang,QU Dan,YAN Honggang,ZHANG Wenlin

(Institute of Information System Engineering, PLA Information Engineering University, Zhengzhou 450002, China)

A self-learning method of new pronunciation lexicons based on a hybrid speech recognition system is proposed to solve the problem that the existing self-expanding methods of pronunciation lexicons can only learn new words from text data but cannot learn from audio data. The method utilizes both the syllables and the graphones hybrid systems to recognize the out-of-vocabulary words in the audio data and then obtains as many new words with their pronunciations as possible by using the complementary information of the two systems. Then the new word and its pronunciation candidates are optimized using a perceptron model and a maximum entropy model to reduce the error rate. Finally, the lexicon is expanded and the language model parameters are updated by using syntactic and semantic information. Experimental results of continuous speech recognition on Wall Street Journal speech database show that the proposed method learns new words from audio data effectively, and the accuracy is greatly improved by using the data optimization strategies. The extended lexicon system yields a relative gain of 13.4% over the base line system in terms of word error rates.

speech recognition; pronunciation lexicon; new words learning; out-of-vocabulary words

2016-01-16。 作者简介:范正光(1990—),男,硕士生;屈丹(通信作者),女,博士,副教授。 基金项目:国家自然科学基金资助项目(61175017,61403415,61302107)。

时间:2016-04-03

10.7652/xjtuxb201606012

TN912.3

A

0253-987X(2016)06-0075-08

网络出版地址:http:∥www.cnki.net/kcms/detail/61.1069.T.20160403.1846.010.html