纪佳昕

（信息工程大学洛阳校区，洛阳471003）

0 引言

自动语音识别（ASR）是指机器识别和理解语音信号并将其转换为文本或命令，根据信息执行人的各种意图[1]，是一门融合了生理学、计算机科学、模式识别与人工智能的交叉学科。语音识别实践起源于1952年贝尔实验室研发的特定人独立英文数字识别系统，随着统计模型、神经网络等机器学习方法的兴起和发展，面向汉语和英语的语音识别技术逐渐趋于成熟并走向实用化。

目前，国内有关俄语语音的研究主要集中在双语发音比较和语音教学领域[2]，使用统计和深度学习方法建模俄语声学特征的实践相对较少。王彤[3]结合全局约束和早弃策略改进DTW算法，提高了俄语短指令集的识别率和识别速度；杨政[4]构建了基于Se⁃quence-to-Sequence的俄汉语音翻译模型，避免了传统语音翻译错误级联的问题；吴敏[5]提取多种声学特征，设计对比实验探索了适用于俄语军事语音的识别模型，丰富和拓展了国内俄语语音识别的实验成果。

隐马尔可夫模型-高斯混合模型（GMM-HMM）是语音信号处理中广为应用的统计模型。在GMM-HMM中，HMM模块负责建立状态之间转移概率分布[6]，每个状态可以是一个音素或词，可对应多帧观察值；GMM模块则通过多个高斯函数的线性组合负责生成HMM的观察值概率。本文收集了俄语孤立数字的音频语料，开展基于GMM-HMM模型的俄语数字识别研究，从词汇量、说话人特征和发音方式三个角度看，属于小词汇量非特定人孤立词识别范畴，可为俄语电话号码识别、语音区号识别等非特定人连续数字识别提供研究基础和参考。……