發(fā)布時間：2024-06-02 16:25

　　智能化的時代正在加速到來,語音作為最自然便捷的交流方式,是推動生活與工作智能化的重要手段。語音識別(Automatic Speech Recognition,ASR)技術(shù)是一種將輸入的語音信號轉(zhuǎn)換為文本,進(jìn)而能理解其內(nèi)容的技術(shù)。近年來,隨著基于序列到序列的通用建模方法的發(fā)展,誕生了端到端的語音識別模型。與傳統(tǒng)方法相比,端到端語音識別模型僅包含一個單獨的序列模型,可以直接從聲學(xué)特征序列得到識別的單詞序列,簡化了語音識別的過程。同時模型不依賴語言模型和發(fā)音詞典,降低了對專家知識的要求。然而,端到端語音識別模型通常需要大量的語音-文本對來訓(xùn)練,才能獲得較好的性能。在實際應(yīng)用中,收集大量配對數(shù)據(jù)既費力又昂貴,導(dǎo)致端到端語音識別模型經(jīng)常無法有效識別罕見詞和專有詞。為此,本文將探討基于文本數(shù)據(jù)的端到端語音識別模型的訓(xùn)練數(shù)據(jù)擴充方法。主要的工作和創(chuàng)新點如下:(1)基于RNN-T(RNN Transducer)的端到端語音識別模型基于RNN-T的端到端語音識別模型在優(yōu)化過程中,能同時兼顧聲學(xué)信息和語言學(xué)信息,是目前端到端語音識別領(lǐng)域性能最好的方法。因此,本文使用RNN-T模型搭建端到端語音識別基線模型...

【文章頁數(shù)】：63 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2-1預(yù)加重前后的語音信號頻譜對比

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文-10-原來的信號分布，有效提高聲音信號的信噪比。一般通過一階FIR高通數(shù)字濾波器來實現(xiàn)預(yù)加重，其傳遞函數(shù)為()=11（2-1）其中為預(yù)加重系數(shù)，0.9<<1.0。設(shè)時刻的信號采樣值為()，經(jīng)過預(yù)加重操作后的信號()為()=()(1)（2-2）其中取....

圖2-2端點檢測效果圖

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文-12-2）短時平均過零率，即每幀內(nèi)信號穿過橫軸的次數(shù)。信號()的短時平均過零率定義為:=|[()][(1)]|()∞=∞（2-8）其中()為符號函數(shù)，即[()]=1,()≥01,()<0（2-9）短時能量首先可以用來區(qū)分清音和濁音，因為濁音的能量要....

本文編號：3987501