论文部分内容阅读
关键词检出是从连续语音中检测并确认给定的若干个特定词。它是连续语音识别的一个重要分支,有着广阔的应用前景,已成为近年来颇受重视的一个研究方向。传统的关键词检出系统一般基于离线垃圾模型,垃圾模型的设计和训练的难度较大,且依赖于具体的关键词表,难以应用到实际系统中。基于音素模型的语音关键词检出系统,不需要设计和训练垃圾模型,关键词表可以随实际应用变化,识别速度快,能基本满足实际应用的需要。关键词确认在关键词检出系统中至关重要,它可以在不降低检出率的同时,减少系统的误警率,提高系统的性能。 置信度原理是关键词确认的理论基础。基于音素模型的关键词确认要求确认方法不依赖于具体的关键词表,确认速度快。基于模型本身和识别过程信息的置信度能够满足这种需求,如:特征临界区域百分比方法、基于状态长度规一化声学置信度方法、基于在线垃圾得分方法等。本文提出的基于动态排位信息的关键词确认方法也是这种类型,确认性能要优于已有的基于音素模型关键词检出系统确认方法。 由于基于单一置信度的关键词确认方法设置拒识门限比较困难,而且确认性能难以达到实际应用的要求,因此考虑将多个置信度联合进行关键词确认。支持向量机是统计学习理论发展的产物,基于VC维理论和结构风险最小化原理,对于有限样本情况有良好的性能,所以,本文采用支持向量机作为多置信度结合的工具。这样,在保证高检出率的前提下,系统的误警率有了大幅度的下降,检出性能得到了进一步的提高。