語音翻譯中口語文本規(guī)范化的研究.pdf

1、隨著全球經(jīng)濟(jì)一體化的發(fā)展，人們對國際化信息的渴求越來越強(qiáng)烈。為了解決不同語言之間的交流障礙，語音翻譯應(yīng)運(yùn)而生。通常語音翻譯由語音識別、機(jī)器翻譯、語音生成三分部組成，其中語音識別文本是連接三個模塊的紐帶。然而口語自動語音識別文本通常包含重復(fù)、停頓、修正、冗余等不流利因素。識別并移除這些不流利因素有助于提高后續(xù)自然語言處理任務(wù)的質(zhì)量。
　　本文主要研究了如何對口語中的不流利現(xiàn)象建模，識別并移除不流利因素，使口語文本書面化。本文首先提出

2、多種基于依存句法結(jié)構(gòu)的特征并利用條件隨機(jī)場模型(CRF)完成對不同類型的口語不流利現(xiàn)象的檢測。重點研究了不同類型不流利檢測的區(qū)別，以及不流利檢測任務(wù)對機(jī)器翻譯的重要影響，實驗結(jié)果表明口語不流利檢測可以提高機(jī)器翻譯質(zhì)量。同時本文研究了最大間隔馬爾科夫網(wǎng)模型(M3N)，并將該模型應(yīng)用在了不流利檢測任務(wù)中，得到了良好的識別性能。然后本文根據(jù)不流利檢測特點和以往工作中的不足提出了基于反向依存句法分析的不流利檢測算法，并根據(jù)考慮問題的不同角度分別

3、提出了BCT模型和UT模型。本文提出的模型能夠充分利用句子中長距離的依存關(guān)系，結(jié)合了多種句法特征和口語不流利特征，并能夠在線性時間內(nèi)同時完成不流利檢測任務(wù)和依存句法分析任務(wù)。最后本文將多種現(xiàn)有算法和本文提出的算法進(jìn)行了全面的對比分析。實驗表明，本文提出的算法在英文Switchboard數(shù)據(jù)集上獲得85.1％的不流利檢測F1值和92.2%的依存句法分析UAS值，均高于現(xiàn)有工作。此外，還將本文提出的算法在中文標(biāo)注數(shù)據(jù)集上進(jìn)行了測試，實驗結(jié)果