论文部分内容阅读
语音识别是实现自然人机界面的必备技术,在语音搜索等方面的应用取得了很大成功。藏族是我国重要的组成部分,对藏语语音识别技术的研究,可有效地解决藏族与我国其他民族之间的语言障碍问题,促进民族之间的交流,增加相互认识与了解。藏语语音识别的研究也将有助于加快藏族居住区文化、经济以及科技等方面的更好发展,同样可以推动藏语的发展和进步。为了实现藏语拉萨话连续语音识别的研究,本论文分析了藏语拉萨话语言学方面的知识,建立了藏语拉萨话语料数据库。并分别建立基于传统的隐马尔可夫模型(Hidden Markov Model,HMM)、深度神经网络(Deep Neural Networks,DNN)的藏语拉萨话声学模型。在藏语语言模型方面,利用藏文文本语料数据训练得到3-gram藏语语言模型。进一步利用端到端(End-to-End)语音识别技术,实现了藏语拉萨话端到端语音识别,实验结果表明具有良好的识别效果。本论文主要工作及创新如下:1.建立了藏语拉萨话语料数据库。其中藏语文本语料包含约18000句藏语文本。选择11位在校藏族同学进行录制藏语语音语料,其中藏族女同学为9位,藏族男同学2位。每位同学根据藏语文本进行独白,平均每句8个藏字,共计录制7584句藏语拉萨话语音,语音时长约12小时。2.建立了藏语拉萨话的HMM和DNN声学模型。分别建立了藏语拉萨话的HMM、DNN声学模型,在解码过程中,结合使用藏文文本语料训练得到的3-gram语言模型完成了藏语拉萨话非特定说话人的连续语音识别。实验结果表明,在测试集中藏字错误率最优达到27.64%。3.改进了传统的混合链接时序分类(Connectionist Temporal Classification,CTC)模型和基于注意力机制(Attention-based)模型的端到端语音识别架构,引入动态调整参数对CTC模型和基于注意力机制模型进行线性插值,实现了端到端的藏语拉萨话语音识别。实验中选择带投影层的双向长短时记忆网络(Bidirectional Long Short-Term Memory Projection,BLSTMP)作为编码器网络,采用混合CTC/Attention-based(CTC/Attention)的端到端架构进行网络的训练和解码,声学特征选取了80维的梅尔尺度滤波器组系数和基频共83维特征,实现了藏语拉萨话语音的端到端识别。实验结果表明,本论文实现的端到端的藏语语音识别具有较好的语音识别效果。