自動語音識別特征補償方法研究.pdf

1、本文主要研究的是自動語音識別中的前端噪聲魯棒性問題。眾所周知，語音識別的根本目的就是使機器能夠聽懂人類的語言。在當前的實驗室環(huán)境下，很多識別系統(tǒng)已經能夠達到很好的性能。但在實際環(huán)境中，由于噪聲的復雜多變和未知因素的干擾，系統(tǒng)性能往往會急劇下降以至于遠遠不能達到實用的目的。因此，噪聲魯棒性一直是語音識別研究中一個非常重要的方面。噪聲魯棒性關鍵問題是解決訓練環(huán)境和測試環(huán)境的失配。實際中這種失配是由語音采集環(huán)境的影響(如加性噪聲、信道畸變等)

2、以及說話人自身的影響(如說話風格、口音等)引起的。為了使語音識別系統(tǒng)在不同噪聲環(huán)境下仍能具有較好的性能，就需要采用各種方法來增強識別系統(tǒng)的魯棒性。
　　 噪聲魯棒性的方法多種多樣，但一般來說可分為前端方法和后端方法兩大類。前端方法集中于對語音信號本身或者語音特征做處理，達到消除或盡可能抑制噪聲影響的效果；后端方法主要集中于增強語音聲學模型自身的寬容度和適應能力，使模型能夠容忍一定程度的噪聲，或者調整模型參數(shù)使之跟上噪聲環(huán)境的變化

3、。本文主要是對噪聲魯棒性的前端方法進行了研究，改善了一些已有的方法，也提出了一些新的方法。
　　 首先，在本文第一章中，對語音識別技術的發(fā)展歷程做了簡單的概述，并重點介紹了一下基于統(tǒng)計建?？蚣芟伦詣诱Z音識別系統(tǒng)的幾個重要組成部分。
　　 由于實際中噪聲的多樣化，相應的噪聲魯棒性方法也有很多種，每種方法都有它的特點和適用范圍。正是針對這種情況，論文在第二章中分別從魯棒性特征的提取、語音增強、特征補償/增強、模型補償四個方面

4、對噪聲魯棒性問題進行了比較全面的介紹和總結。
　　 在本文第三章中，首先介紹了基于顯式模型的一階矢量泰勒級數(shù)(VTS)離線特征補償算法，但是離線算法在實用時并不完美，它最大的缺陷在于其巨大的運算量極大的降低了系統(tǒng)處理的效率。因此，在離線算法的基礎上我們提出了高實時性的一階VTS特征補償算法，它在保證離線算法性能的同時，大大提升了算法處理的實時性。
　　 雖然在第三章中介紹的高實時性的一階VTS特征補償算法取得了不錯的效果