实用汉语语音识别系统的关键技术

语音识别产品不同于实验室演示系统，能否走向实用取决于在实际应用条件下，满足用户的实际需求。首先，训练集语音样本必须符合使用时的实际应用条件，也就是在预计使用群体（不同年龄和性别，各种口音）中按预计使用环境（各种电话类型和噪音环境）进行训练集的语音样本收集。收集样本充分覆盖实际应用条件的方方面面。建立语音识别声学模型分三个基本部分：特征抽取、模式化分和时间对准。对于我们选取的语音特征参数，需要能够将各类样本的特征参数点完全划分开。对于模式划分，我们需要在混合高斯分布（GMM）计算最大似然值（ML）和K近邻法进行比较。对于时间对准，目前还不够完善，需要认真探索解决。为了认证这一途径的正确性，我们选择0-9十个数字加上*和#所有电话机上的十二个键作为语音识别系统的识别字表，在实际应用条件下，识别率至少达到99%以上，使做成语音识别产品时真正能够走向实用。本项目着重研究实用语音识别系统的关键技术。