[发明专利]一种基于混合声学模型的语音识别系统及方法

说明书

本发明公开了一种基于混合声学模型的语音识别系统和方法，所述系统包括：信号处理及特征提取模块、发音词典、语言模型和解码器；所述系统还包括：混合声学模型；所述混合声学模型包括：前端的卷积神经网络和后端的时间延迟及长短时记忆混合神经网络；所述卷积神经网络作为一个特征提取模块放置在时间延迟及长短时记忆混合神经网络之前；所述卷积神经网络提取出来的鲁棒性特征和原有的特征进行拼接，一起作为后端时间延迟及长短时记忆混合神经网络的输入特征。本发明的系统基于卷积神经网络对特征的平移变换有更鲁棒的建模能力，能够有效降低模型识别错误率，提升多个任务集上的语音识别性能。

技术领域

本发明属于语音识别领域，具体涉及一种基于混合声学模型的语音识别系统及方法。

背景技术

语言交流是人类最自然的交流方式之一，人类对于计算机语音的研究涵盖了语音编解码、语音识别、语音合成、说话人识别、激活词、语音增强等。在这些领域当中语音识别是当下最热门的研究。早在计算机发明之前，自动语音识别就已经提上了议程，早期的声码器可以认为是语音识别及合成的雏形。经过几十年的研究，语音识别技术已经渗透到我们生活的方方面面，应用范围涵盖了智能家居、智能音箱、车载交互、国家安全等领域。

目前，主流的大词汇量语音识别系统多采用统计模式识别技术。典型的基于统计模式识别方法的语音识别系统由以下几个基本模块构成：

信号处理及特征提取模块：该模块的主要任务是从输入信号中提取特征，供声学模型处理；同时，它包括了一些信号处理技术，以尽可能降低环境噪声、信道、说话人等因素对特征造成的影响。

声学模型；目前主流的是采用神经网络-隐马尔科夫链(DNN-HMM)混合结构模型，如图1所示。其中神经网络是目前研究的热点。

发音词典；发音词典包含系统所能处理的词汇集，及其发音。发音词典实际提供了声学模型建模单元与语言模型建模单元间的映射。

语言模型；语言模型对系统所针对的语言进行建模。理论上，包括正则语言，上下文无关文法在内的各种语言模型都可以作为语言模型，但目前各种系统普遍采用的还是基于统计的N元文法及其变体。

解码器；解码器是语音识别系统的核心之一，其任务是对输入的信号，根据声学模型、语言模型及发音词典，寻找能够以最大概率输出该信号的词串。