胡章芳，徐 轩，付亚芹，夏志广，马苏东

1.重庆邮电大学 光电工程学院，重庆 400065

2.重庆邮电大学 先进制造学院，重庆 400065

1 引言

自动语音识别（Automatic Speech Recognition，ASR）是一项复杂任务，系统基于严格设计的处理流程，包括输入特征、声学模型、语言模型和隐马尔可夫模型（Hidden Markov Models，HMM）[1]。而 ASR 的长期目标是能够在不同的环境下有效处理人们的讲话，对于传统的GMM-HMM混合模型而言相当有挑战性。一个良好的声学模型应该具备有效模拟语音信号中的各种声学变化能力，从而获得在不同讲话和环境条件下的鲁棒性。语音识别模型通常将特征提取和分类器作为两个独立的问题研究，先设计特征提取方法，然后基于提取的特征优化分类器性能。这种将两者分割的方法有两个缺点[2-3]：一是人工设计特征提取方法需要精心设计和大量实验验证；二是人工设计的特征对于当前的分类任务并不能保证是最优的。DNN及其变体能够同时进行特征提取和分类任务。如文献[4]表明，DNN 的低层能够提取对说话人自适应的特征，DNN 的高层能够提高不同类别的区分性，从而提升最终分类效果。这种特征规整与分类任务的联合优化特性是DNN优于基于高斯混合模型（Gaussian Mixture Model，GMM）一个重要原因。

最近几年，随着深度学习技术的发展，卷积神经网络（Convolutional Neural Network，CNN）和长短时记忆网络（Long Short-Term Memory，LSTM）在语音识别技术中相较于传统的语音识别技术方法，取得了较好的识别率。但其网络结构输入端的特征通常是梅尔频率倒谱系数[5（]Mel Frequency Cepstral Coefficents，MFCC），该特征是基于人耳听觉特性提出来的，它与频率成非线性对应关系，但易造成高频区域信息损失的问题，而且传统语音特征为了计算量的考虑必须采用非常大的帧移，无疑造成了时域上的信息损失，在说话人语速较快的时候表现得更为突出。……