數(shù)字語音處理課程論文(編輯修改稿)
2025-07-19 19:39 本頁面
【文章內(nèi)容簡介】 元，由于有些音素對其后音素的影響是相似的，因而可以通過音素解碼狀態(tài)的聚類進(jìn)行模型參數(shù)的共享。聚類的結(jié)果稱為senone。決策樹用來實(shí)現(xiàn)高效的triphone對senone的對應(yīng)，通過回答一系列前后音所屬類別（元/輔音、清/濁音等等）的問題，最終確定其HMM狀態(tài)應(yīng)使用哪個senone。分類回歸樹CART模型用以進(jìn)行詞到音素的發(fā)音標(biāo)注。語言模型 語言模型主要分為規(guī)則模型和統(tǒng)計模型兩種。統(tǒng)計語言模型是用概率統(tǒng)計的方法來揭示語言單位內(nèi)在的統(tǒng)計規(guī)律，其中NGram簡單有效，被廣泛使用。NGram：該模型基于這樣一種假設(shè)，第n個詞的出現(xiàn)只與前面N1個詞相關(guān)，而與其它任何詞都不相關(guān)，整句的概率就是各個詞出現(xiàn)概率的乘積。這些概率可以通過直接從語料中統(tǒng)計N個詞同時出現(xiàn)的次數(shù)得到。常用的是二元的BiGram和三元的TriGram。語言模型的性能通常用交叉熵和復(fù)雜度（Perplexity）來衡量。交叉熵的意義是用該模型對文本識別的難度，或者從壓縮的角度來看，每個詞平均要用幾個位來編碼。復(fù)雜度的意義是用該模型表示這一文本平均的分支數(shù)，其倒數(shù)可視為每個詞的平均概率。平滑是指對沒觀察到的N元組合賦予一個概率值，以保證詞序列總能通過語言模型得到一個概率值。通常使用的平滑技術(shù)有圖靈估計、刪除插值平滑、Katz平滑和KneserNey平滑。搜索 連續(xù)語音識別中的搜索，就是尋找一個詞模型序列以描述輸入語音信號，從而得到詞解碼序列。搜索所依據(jù)的是對公式中的聲學(xué)模型打分和語言模型打分。在實(shí)際使用中，往往要依據(jù)經(jīng)驗(yàn)給語言模型加上一個高權(quán)重，并設(shè)置一個長詞懲罰分?jǐn)?shù)。 Viterbi：基于動態(tài)規(guī)劃的Viterbi算法在每個時間點(diǎn)上的各個狀態(tài)，計算解碼狀態(tài)序列對觀察序列的后驗(yàn)概率，保留概率最大的路徑，并在每個節(jié)點(diǎn)記錄下相應(yīng)的狀態(tài)信息以便最后反向獲取詞解碼序列。Viterbi算法在不喪失最優(yōu)解的條件下，同時解決了連續(xù)語音識別中HMM模型狀態(tài)序列與聲學(xué)觀察序列的非線性時間對準(zhǔn)、詞邊界檢測和詞的識別，從而使這一算法成為語音識別搜索的基本策略。由于語音識別對當(dāng)前時間點(diǎn)之后的情況無法預(yù)測，基于目標(biāo)函數(shù)的啟發(fā)式剪枝難以應(yīng)用。由于Viterbi算法的時齊特性，同
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1