刘晓峰 宋文爱 陈小东 郇晋侠 李志媛

(中北大学软件学院 山西 太原 030051)

0 引 言

自动语音识别(Automatic Speech Recognition,ASR)技术用于将人类语音或音频信号转换为文本，目前，ASR已经广泛应用于智能应用程序中，例如：交互式语音响应系统、语音文档检索和听写工具等。

传统的“高斯混合模型-隐马尔可夫模型”(Gaussian Mixture Model-Hidden Markov Model,GMM-HMM)是一种流行的语音识别声学建模[1]方法。大多数大型词汇语音识别(LVSR)算法[2]都使用了HMM，这些模型使用GMM估计HMM状态的概率。近年来，由于引入了基于深度神经网络(Deep Neural Network,DNN)的声学模型，ASR取得了显著的进展[3-4]。与传统的GMM相比，基于DNN的模型具有更加良好的性能，除此之外，卷积神经网络(Convolutional Neural Network,CNN)[5]也已经成功地应用于许多ASR任务中[6-7]，与DNN[8]不同，CNN能够利用光谱特征空间中的结构局部特征，并且使用共享的权重过滤器和池化操作赋予模型更好的光谱和时间不变性，从而产生更加健壮且兼容性更强的模型。递归神经网络(Recurrent Neural Network,RNN)中部分神经元与记忆单元连接组成了有向环，使得RNN具备了对动态序列进行建模的能力[9]，鉴于语音识别结果需要参考语音序列前后大量相关信息，将RNN作为声学模型似乎也是很自然的，通常与连接时序分类(Connectionist Temporal Classification,CTC)联合完成语音识别任务[10]。

由于语音信号在传播过程中会受到发声器内部状态和外部环境等多种因素影响而发生变化，所以自动语音识别是一项具有挑战性的任务。在现实生活中，不同的说话人可能会以不同的方式表达相同的音素，甚至同一个说话人也可能在特定时刻以不同的语速表达音素，此时各音素在语谱图上会占据不同大小的区域[11]。……