18、自动语音识别中的混合模型与基于语音特征的隐马尔可夫模型探索

自动语音识别中的混合模型与基于语音特征的隐马尔可夫模型探索

在自动语音识别（ASR）领域，一直以来都存在着不同的技术路径和方法。其中，隐马尔可夫模型（HMM）是主流的技术之一，但它对语音知识的利用较少。而基于特征标记的识别器则主要依赖精确的语音知识和独特特征。本文将探讨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标记融入基于 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吸引了 ASR 领域研究人员的关注。早期尝试将 SVM 用于连续数字识别，产生了混合 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，比较这两种系统的性能变得很有必要。同时，由于 ASR 系统的鲁棒性是当前的一个开放问题，所以应该在有噪声的环境中对混合系统进行比较评估。

本次研究中的 ANN/HMM 和 SVM/HMM 混合系统受到了 Bourlard 和 Morgan 工作的启发，其重要贡献在于使用了子音素单元，具体来说，每个音素考虑三个类别（部分），而不是一个。

然而，由于 SVM 公开可用软件实现的一些限制，无法使用整个训练集来训练混合 SVM/HMM ASR 系统。为了进行公平比较，混合 ANN/HMM 也使用了训练集的相同小子集进行训练。在这种条件下，得到的结果如下：
- ANN/HMM 混合系统 ：对于所有考虑的噪声类型和信噪比（SNR）值，该系统比作为参考的基于 HMM 的系统提供了稍好的结果。
- SVM/HMM 混合系统 ：其性能略低于基于 HMM 的系统。 <