18、自动语音识别混合模型与基于语音特征的隐马尔可夫模型探索

自动语音识别混合模型与基于语音特征的隐马尔可夫模型探索

自动语音识别（ASR）领域一直是研究的热点，近年来，多种技术和模型不断涌现，以提高识别的准确性和鲁棒性。本文将介绍两种不同的研究方向，一是混合模型在自动语音识别中的应用，二是如何将语音特征融入隐马尔可夫模型（HMM）的ASR系统。

混合模型在自动语音识别中的应用

支持向量机（SVM）分类器在多个领域的成功应用引起了ASR领域研究人员的关注。早期将SVM用于连续数字识别的尝试催生了混合SVM/HMM系统，这与过去十年提出的基于人工神经网络（ANN）的混合系统类似。因此，比较这两种类型系统的性能变得十分重要。此外，由于ASR系统的鲁棒性是当前的一个开放问题，所以需要在嘈杂环境中对混合系统进行比较评估。

• 实验限制与结果 ：实验中使用的SVM软件需要将核矩阵保存在内存中，这限制了SVM/HMM训练数据集的大小。为了进行公平比较，混合ANN/HMM也使用了相同的小训练子集。结果表明，混合ANN/HMM系统在所有考虑的噪声类型和信噪比（SNR）值下，都比作为参考的基于HMM的系统提供了略好的结果；而混合SVM/HMM系统的性能略低于基于HMM的系统。
• 系统优势与改进方向 ：使用子音素单元的混合ANN/HMM系统具有竞争力。虽然混合SVM/HMM系统的设计仍处于初步阶段，但已达到了合理的性能水平。特别是，其训练中使用的最大间隔原则在嘈杂环境中可能会产生重要影响。为了进一步提高性能，需要解决一些问题，例如增加训练样本、在特征向量中添加更广泛的时间上下文以及选择合适的特征集。此外，混合系统更适合使用不符合HMM独立性限制的不同类型