新闻广播语料自动标注技术的研究对于建立大规模语音语料库、语音识别技术、音频检索技术的发展都有重要意义.新闻广播语料的自动标注包括音频属性标注和文本标注两个方面. 在音频属性标注部分,区别于传统方法将此任务分为分段、聚类、分类三个阶段的做法,本文改变标注流程,采用音频分类、语音段切分、语音段聚类依次进行的框架,使得标注准确率大大提高.音频分类步骤首先将音频流划分成非语音/男声语音/女声语音三类,非语音段直接丢弃;随后的语音段切分步骤采用一个二阶段的方法,将男声语音段和女声语音段继续切分到每段只含一个说话人;最后的语音段聚类步骤将同种声学条件的语音段,即同一个说话人的语音段全都聚合到一起. 将分类步骤提前,不仅避免了对非语音段进行后续的无意义操作,更为分段和聚类步骤提供了良好的指导作用,使得分段步骤不会漏掉男/女声、语音/非语音切换点,也可以防止聚类步骤错误地把男声语音和女声语音聚在一起. 分段步骤采用的两阶段方法,既保证了分段的准确率,也使得算法时间复杂度较低.分类和分段步骤后的边界调整使得结果更加精确. 音频属性标注之后进行文本标注部分.标注文本需要借助语音识别技术.在音频属性标注部分得到的标注信息使得自适应技术的应用成为可能.为提高语音识别的准确率,对每种声学条件都进行声学模型自适应,并将长段切分成短旬,最后进行语音识别.