朱方圆，马志强,2+，陈 艳，张晓旭，王洪彬，宝财吉拉呼

1.内蒙古工业大学 数据科学与应用学院，呼和浩特 010080

2.内蒙古工业大学 内蒙古自治区基于大数据的软件服务工程技术研究中心，呼和浩特 010080

自动语音识别（automatic speech recognition，ASR）是一种将语音序列转化成文本序列的技术，是人机交互的主要方式之一[1]。当ASR 系统的测试条件和训练数据不匹配时，其识别性能下降明显，主要包括以下几个原因：说话人的差异、声学环境的可变性和使用领域的不同。研究人员提出利用说话人自适应（speaker adaptation，SA）方法对说话人声学特性进行适应，主要是对特征提取和声学模型（acoustic model，AM）的修正和调节。利用说话人的若干数据，对说话人无关（speaker independent，SI）的语音识别系统进行调节，调节后系统对目标说话人的识别性能提升。

ASR 的说话人自适应任务是将一系列声学特征向量X={x1,x2,…,xt,…,xT}，利用目标说话人的若干数据得到参数θE，使xt∈Rd映射到单词序列W。假设模型以框架方式运行，则可以将模型定义为：

其中，f(xt;θ;θE)是具有参数θ和参数θE的神经网络模型，yt是帧t的输出标签。传统的高斯混合模型-隐马尔可夫模型（Gaussian mixed model-hidden Markov model，GMM-HMM）语音识别系统的说话人自适应技术主要包括：最大似然线性回归（maximum likelihood linear regression，MLLR）[2-4]、特征层最大似然线性回归（feature-space maximum likelihood linear regression，fMLLR）[5-6]、最大后验概率线性回归（maximum a posteriori，MAP）[7-8]和声道长度规整（vocal tract length normalization，VTLN）[9-11]等。虽然GMM-HMM 语音识别系统的说话人自适应方法已经非常成熟，但GMM是一个生成式模型，通过对空间进行划分，利用权重和方差等描述声学单元特性；而神经网络（neural network，NN）是一个判别式模型，直接对后验概率进行建模来实现。……