語種識(shí)別聲學(xué)建模方法研究.pdf

1、隨著全球化趨勢(shì)和國際互聯(lián)網(wǎng)的發(fā)展，人們更加迫切的希望可以突破語言的障礙進(jìn)行交流，因而對(duì)于語種識(shí)別技術(shù)的需求也與日俱增。不僅如此，語種識(shí)別還廣泛應(yīng)用于軍事、國家安全和各個(gè)信息產(chǎn)業(yè)領(lǐng)域，具有極為重要的應(yīng)用價(jià)值和前景。在語種識(shí)別的聲學(xué)建模中，主要有產(chǎn)生性和區(qū)分性兩種建模方式，其典型代表分別為高斯混合模型（GMM）和支持向量機(jī)模型（SVM），兩種方法采用最底層的聲學(xué)特征參數(shù)建模，均具備良好的魯棒性、高效性，同時(shí)兼具良好的互補(bǔ)性。
　　

2、本文從聲學(xué)建模角度出發(fā)，在前后端處理、模型建立、開集拒識(shí)、以及識(shí)別算法優(yōu)化等方面進(jìn)行了相關(guān)的研究工作，目的是要建立一個(gè)高效、高性能的聲學(xué)語種識(shí)別系統(tǒng)。第一，前端處理方法的研究。要想識(shí)別出語音信號(hào)中攜帶的語種信息，就需要獲取其中能夠代表該語種的特征，消除由于說話人性別和年齡，身體精神狀態(tài)，信道以及噪聲等因素所帶來的影響。因而我們運(yùn)用聲道長(zhǎng)度規(guī)整（VTLN）、特征端因子分析（fLFA）、以及噪聲和非語音信號(hào)去除等技術(shù)手段來消除和減少這些因素

3、的影響。第二，模型訓(xùn)練方法的研究。本文研究了基于最大互信息準(zhǔn)則（MMI）的區(qū)分性訓(xùn)練方法，與傳統(tǒng)的最大似然估計(jì)準(zhǔn)則（MLE）不同，傳統(tǒng)的MLE 訓(xùn)練重視調(diào)整模型參數(shù)以反映訓(xùn)練數(shù)據(jù)的概率分布，而MMI 準(zhǔn)則更重視調(diào)整模型之間的分類面，以更好的根據(jù)設(shè)定的準(zhǔn)則對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行分類；另外，在實(shí)際應(yīng)用環(huán)境中，我們較難獲得除語種信息以外的有關(guān)信道、方言、性別等標(biāo)注信息，然而利用細(xì)化建模的方法，我們不必使用這些額外的標(biāo)注信息，也可以對(duì)語種進(jìn)行更為精細(xì)的