杨德举，马良荔，谭琳珊，裴晶晶

(1.海军工程大学 电子工程学院，湖北 武汉 430033；2.中国人民解放军91001部队，北京 100841)

0 引 言

传统的自动语音识别(automatic speech recognition，ASR)系统使用混合高斯模型-隐马尔科夫模型(GMM-HMM)[1]作为声学模型进行训练，然后利用外部语言模型对单词序列进行重核，生成合理的句子。系统一般包含声学模型、发音词典和语言模型等多个模块，设计过程中需要运用语音学、语言学等不同的领域知识，训练过程中各模块根据各自的优化目标单独进行训练，导致在推断阶段各模块的误差会不断累积。更重要的是，这些模型需要高质量的数据集来进行训练，数据集中的训练数据必须强制预对齐，保证每个输入帧必须有一个对应的标签，构建这样一个数据集需要大量的时间、精力。因此，设计和训练一个性能良好的ASR系统是极其复杂和困难的。

端到端的ASR系统是一种序列到序列(seq2seq)模型，它直接将输入的声学信号映射到字符或单词等输出，而不需要任何预定义的标签对齐。它将大多数模块包含到一个深度神经网络(deep neural network，DNN)中，使用一个整体的目标函数来优化模型[2-5]。基于此，本文提出了一种融合门控线性单元(gated linear units, GLU)[6]的卷积神经网络(convolutional neural network，CNN)模型。该模型使用一维CNN(1D-CNN)[7,8]联合上下文信息进行特征抽象，提高特征表达能力，利用链接时序分类(connectionist temporal classification，CTC)[9]技术实现端到端的语音识别。

1 相关研究

端到端的语音识别系统直接将输入的语音映射到字母或单词序列，并在单个系统中联合训练声学和发音等建模组件，其实现方法主要分为两类，分别为基于CTC的方法和基于注意力机制[10]的方法。……