基于TDNN-FSMN的蒙古语语音识别技术研究
2018-10-19王勇和高光来
中文信息学报 2018年9期
王勇和,飞 龙,高光来
(内蒙古大学 计算机学院,内蒙古 呼和浩特 010021)
0 引言
语音是人类最自然、便捷的交流方式,而语音识别技术,就是让机器能够“听懂”人类的语言并将语音信号转化为对应的文本或命令。基于高斯混合模型—隐马尔可夫模型(Gaussian Mixture Model-Hidden Markov Models,GMM-HMM)的语音识别框架在很长一段时间都是语音识别系统的主导框架,其核心就是用GMM对语音的观察概率进行建模,而用HMM对语音的转移概率进行建模[1]。近年来,深度神经网络(Deep Neural Network,DNN)[2]的研究和应用极大地推动了语音识别的发展,相比传统的基于GMM-HMM的语音识别系统,其最大的改变是采用DNN替换GMM对语音的观察概率进行建模来计算HMM状态的后验概率。根据文献[3],基于DNN-HMM的声学模型采用固定长度的输入窗对语音的上下文特征进行建模,而语音是一种各帧之间具有很强相关性的复杂时变信号,所以这种方法不能充分利用语音的上下文时序信息。
相比DNN,时延神经网络(Time Delay Neural Network,TDNN)[4]同样是一种前馈网络架构,它对每个隐藏层的输出都在时域进行扩展,即每个隐藏层接收到的输入不仅是前一层在当前时刻的输出,还有前一层在之前和之后的某些时刻的输出。在文献[5]中,通过选择正确的时间步长和对隐藏层输出进行降采样,TDNN可以从输入上下文中的所有时间步长提取足够语音特征信息。因此,TDNN会参考前一层网络的历史输出,可以对更长的历史信息进行建模而不能对未来信息进行建模。Zhang等人[6-7]提出了一种更简单的“记忆”存储……
登录APP查看全文
