孙 健， 郭 武

(中国科学技术大学 语音及语言信息处理国家工程实验室， 合肥 230027)

1 引 言

随着深度学习的快速发展，神经网络取代混合高斯模型[1](Gaussian Mixture Model，GMM) ，并与隐马尔可夫模型[2](Hidden Markov Model，HMM)相结合，对状态进行建模，使得大规模连续语音识别的性能获得了显著的提高.近年来，循环神经网络(Recurrent Neural Networks，RNN)及其变体--长短时记忆网络[3](Long Short-Term Memory，LSTM)成功应用于语音识别，解决了普通的深度神经网络[4](Deep Neural Network, DNN)无法对语音信号时序特性建模的缺点，语音识别性能进一步提升.但是以HMM为框架的识别算法对语言学知识的要求较高，包括上下文相关音素状态绑定，发音字典的准备等等，开发难度较大.另外训练过程中，需要通过强制对齐，获得帧级标注，任务复杂程度较高，且忽略了语音序列内在特性，无法全局优化整个语音序列.

为解决上述问题，A.Graves等人提出链接时序分类技术[5,6](Connectionist Temporal Classification，CTC)和端到端的识别系统，解决了输入和输出标签对应关系未知情况下的序列分类问题，全局优化语音序列.与之前提到的混合模型不同，CTC不需要隐马尔可夫模型，仅需要单独的神经网络即可完成整个语音识别任务.在基于CTC的端到端系统中，将语音序列直接映射到标注序列所在的空间，消减了发音词典，语言模型等成分，极大地简化了语音识别的步骤[7,8].

本文探讨了日语语音识别的相关问题.日语是日本国的官方语言，日语中主要使用的文字包括平假名(例如："あ")，片假名(例如："テ")，和日语汉字(例如："日本语").平假名包含了日语中所有的……