基于GMM的連接詞語音識(shí)別及大詞匯表系統(tǒng)的語言建模.pdf

1、連接詞語音識(shí)別又稱連續(xù)數(shù)字語音識(shí)別。由于其實(shí)現(xiàn)方便，所需存貯要求低，運(yùn)行速度快，具有廣泛的實(shí)用價(jià)值，其眾多的應(yīng)用，如電話語音撥號(hào)、家電遙控、工業(yè)控制等，都給人們帶來極大的便利。連接詞識(shí)別的研究又可以推動(dòng)大詞匯表語音識(shí)別的發(fā)展，所以多年來許多研究機(jī)構(gòu)都致力于連接詞語音識(shí)別的研究和算法改進(jìn)。 本文實(shí)現(xiàn)了一個(gè)基于Gaussian混合模型的連續(xù)數(shù)字語音識(shí)別器。它將隱Markov模型和Gaussian混合密度分布緊密聯(lián)系，結(jié)合動(dòng)態(tài)規(guī)劃算法

2、對(duì)時(shí)間序列和Markov狀態(tài)鏈進(jìn)行非線性時(shí)間對(duì)齊，并運(yùn)用EM算法對(duì)Gaussian混合模型的參數(shù)進(jìn)行重新估計(jì)，識(shí)別出來的結(jié)果與期望結(jié)果采用Levenshtein距離進(jìn)行比較并得出其字誤差率。利用該語音識(shí)別器對(duì)SieTill德語連續(xù)數(shù)字語料庫進(jìn)行訓(xùn)練和識(shí)別，可以達(dá)到很高的識(shí)別率。 同時(shí)本文還就大詞匯表語音識(shí)別系統(tǒng)的語言模型的構(gòu)建以及評(píng)估問題進(jìn)行深入探討，詳細(xì)介紹了線性平滑和Kneser-Ney平滑技術(shù)，并用最大似然估計(jì)的方法獲得其