17、语音识别系统的性能比较与分析

语音识别系统的性能比较与分析

1. 新型语音识别方法概述

有一种新型的语音识别方法，它将频谱图视为图像，并部署了分层目标识别系统。为了优化系统的主要自由参数，使用了进化算法，这样无需手动调整参数就能快速改变系统。

在性能方面，该系统在不同条件下表现各异。当采用简单的线性时间缩放时，系统仅在嘈杂环境中优于Sphinx - 4，但在干净数据上表现较差。而使用动态时间规整（DTW）对信号进行适当缩放后，在所有情况下，系统都能提升预处理后的良好性能，即使对于干净信号，也能超越Sphinx - 4。例如，在干净数据下，Sphinx的单词错误率（WER）为3.1%，使用DTW时该系统的WER为0.9%，不使用DTW时为5.4%。添加白噪声或工厂噪声时，系统性能相似。

2. 系统优势与局限性

• 抗噪优势 ：该系统的架构和底层特征比常用的梅尔频率倒谱系数（MFCCs）对噪声更具鲁棒性。在现实场景中，通常存在显著的背景噪声和录音条件的变化，这种抗噪能力非常重要。
• DTW的局限性 ：目前形式的DTW利用了现实情况中无法获取的信息。
• 时间对齐的影响 ：线性缩放和DTW的比较表明，更好的时间对齐可以显著提高模型性能。因此，改进时间对齐的方法是未来有趣的研究方向。
• 任务扩展性 ：当前识别任务的复杂度较低，系统能否扩展到更复杂的任务仍是一个悬而未决的问题。不过，可以预期该系统能很好地推广到更大的词汇量。
• 连续语