語言作為人們在人際交往中最主要的溝通途徑,將來必然會成為人機交互與共融的重要橋梁。自動語音識別（ASR）可以表述為通過計算機將人類語音信號轉(zhuǎn)錄為書面形式的文字輸出的過程,而早自20世紀70年代以來,自動語音識別問題就一直是機器學習界的一個重要研究課題。發(fā)展到現(xiàn)在,盡管傳統(tǒng)的自動語音識別技術仍在被使用,但是解決了傳統(tǒng)框架識別過程繁瑣、難于優(yōu)化等問題的基于深度神經(jīng)網(wǎng)絡的端到端模型在自動語音識別領域正逐漸成為研究熱點與發(fā)展方向。在此背景下,本課題立足于深度神經(jīng)網(wǎng)絡結構框架,對端到端的語音識別技術進行研究。首先,分析當前兩種主流端到端自動語音識別模型—CTC和基于注意力機制的模型,總結了二者存在的問題:1.CTC對輸出單元之間作了相互獨立性假設,但事實上這對上下文緊密相關的語音識別是并不合理的;2.注意力機制下允許不規(guī)則的輸入輸出對齊,但是通常語音識別卻具有嚴格單調(diào)對應的輸入輸出。因此,本文提出了一種結合了CTC與注意力機制的端到端自動語音識別模型,并在開源英文語音數(shù)據(jù)集Librispeech識別任務上驗證了模型的有效改進。其次,本文提出了一種新型編碼-解碼結構的端到端自動語音識別模型,基于循... 

【文章來源】：北京郵電大學北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：71 頁

【學位級別】：碩士

【部分圖文】：

圖１－２典型的傳統(tǒng)ＡＳＲ框架??－

現(xiàn)代語音識別系統(tǒng)建立在統(tǒng)計原理的基礎上，由Ｂａｋｅｒ?（１９７５）和Ｊｅｌｉｎｅｋ??（１９７６）的工作開創(chuàng)，一種ｓｏｕｒｃｅ－ｃｈａｎｎｅｌ數(shù)學模型或生成統(tǒng)計模型通常用于＿??表述語音識別問題。如圖２－１所示，說話者的思想決定了通過他／她的文本生成??器傳遞的源文字序列Ｗ。源文本Ｗ是通過一個復雜的溝通通道，該通道由說話者??的發(fā)音器官組成，以產(chǎn)生語音波形和語音識別器的語音信號處理部件。最后，??語音解碼器將聲學信號Ｘ解碼為單詞序列Ｗ，其在理想情況下Ｗ十分接近近原始??單詞序列Ｗ。??Ｃｏｍｍｕｎｉｃａｔｉｏｎ?Ｃｈａｎｎｅｌ???ｉ?——；?ｉｊ??；??Ｔｅｘｔ?ｎＬ?Ｓｐｅｅｃｈ?一＊Ｓｉｇｎａｌ?：、?Ｓｐｅｅｃｈ??Ｇｅｎｅｒａｔｏｒ?Ｇｅｎｅｒａｔｏｒ?；?’?Ｐｒｏｃｅｓｓｉｎｇ?ｉ?’?Ｄｅｃｏｄｅｒ????：?１?ｉ??二Ｊ：??ｉｆ?＾??ｗ：???ｕ??＂；ｘ?ｉ?ｗ??Ｓｐｅｅｃｈ?Ｒｅｃｏｇｎｉｚｅｒ??圖２－１語音識別系統(tǒng)的一種ｓｏｕｒｃｅ－ｃｈａｎｎｅｌ模型［３Ｑ］??典型的實用語音識別系統(tǒng)由圖２－２的虛線框中所示的基本組件組成。應用??程序以解碼器為接口來獲得識別結果，結果又可用于調(diào)節(jié)系統(tǒng)中其他組件。聲??學模型包括有關聲學、語音、麥克風和周圍環(huán)境變化、說話者之間的性別和方??言差異等所有與發(fā)出的語音信號相關的的認知表示。語言模型是指系統(tǒng)對可能??構成的單詞、哪些詞屬于高頻詞、以及詞匯以什么順序出現(xiàn)等與文本信息相關??的認知。對于用戶希望表達的語義和意愿，語言模型也可能是有必要去實現(xiàn)的。??在自動語音識別中存在許多不確定性

’?：??圖２－２語音識別系統(tǒng)的基本結構框架［３ｎ??如圖２－２所示，語音信號在信號處理模塊中處理，該信號處理模塊提取解??碼模塊需要的顯著特征向量。根據(jù)輸入特征向量，解碼器使用聲學和語言模型??來生成具有最大后驗概率的單詞序列。在此框架中，解碼器還為Ａｄａｐｔａｔｉｏｎ組??件提供其所需的信息來修改聲學或語言模型，從而可以獲得性能提升。??２．?２語音信號特征提取??特征提取是傳統(tǒng)語音識別系統(tǒng)的一個重要部分。特征提取的目的是壓縮輸??入信號（矢量）的幅度，而不會對語音信號的功率造成任何損害。有多種常用??的特征提取技術。??Ｃｏｎｔｉｎｕｏｕｓ?Ｓｐｅｅｃｈ?Ｗｋｉｄｏｗｉｉ＾?Ｄｉｓｃｒｅｔｅ??一一一一一、ｆ?……＇???Ｆｒａｍｅｓ?Ｔｒａｎｓｆｏｒｍ？ｒ??Ｍａｇｎｉｔｕｄｅ??Ｓｐｅｃｔｒｕｍ??—?—．．．．．．?Ｍｅ，?Ｍｅｌ??乂ｅｌ?Ｉｎｖｅｒｓｅ?Ｌ〇ｊｊ?Ｆｒｅｑｕｅｎｃｙ??Ｃｅｐｓｔｒｕｍ?ＤＦＴ?Ｗａｒｐｉｎｇ???一一、．?Ｓｐｅｃｔｒｕｍ?．??圖２－３特征提取流程圖［３２］??圖２－３表示了特征提取流程。在此，從一側輸入連續(xù)語音信號用于加窗過??程。在窗口化過程中

【參考文獻】：
博士論文
[1]基于深度神經(jīng)網(wǎng)絡的語音識別模型研究[D]. 張仕良.中國科學技術大學 2017



本文編號：2915435