汉语连续语音识别：基于音素类单元的随机轨迹模型研究

"随机轨迹模型中汉语连续语音识别基元的选取方案* (1999年)" 本文探讨了在随机轨迹模型（STM）框架下，针对汉语连续语音识别的基元选择策略。作者黄心晔、施嵘、富煜清和陆佶人来自东南大学无线电工程系，并得到了国家自然科学基金的支持。他们研究了多种汉语语音识别基元，结合汉语语音的特点和STM的优势，提出以音素类单元作为识别基础。 随机轨迹模型是对基本隐马尔可夫模型（HMM）中三个不合理假设的改进，它提供了一种更灵活的统计建模方式。然而，选择合适的语音单元作为STM识别基元是一项挑战，因为协同发音现象和语音的多样变化使得基元的选择、提取和训练变得复杂。 在语音识别中，识别基元的选择至关重要，直接影响到系统的识别准确性和扩展性。理想的基元应具备检测一致性、可训练性及鲁棒性。尽管采用词作为识别基元可以实现高识别率，但当扩展到大词汇量的系统时，词级别的建模面临诸多问题。首先，训练数据需要足够多以充分建模每个词的上下文。其次，随着词汇量增加，词之间的区分特征减弱，整体识别率可能下降。此外，大量重复的声学内容会造成资源浪费，并导致存储需求随着词汇量线性增长，超出计算机处理能力。 因此，研究人员考虑使用更小的基元，如音素。音素作为汉语语音的基本单位，能够更好地应对协同发音和发音变化，同时也符合识别基元的要求。通过建立基于音素的STM模型，实验结果显示这种方案是可行的，它能够提高识别系统的灵活性和适应性，同时降低对大量训练数据的依赖。 关键词包括识别基元、随机轨迹模型和音素。STM语音识别系统通过选用音素类单元，能够在一定程度上解决协同发音和语音变化带来的问题，提高了识别效率。这种方法为汉语连续语音识别提供了新的视角，并可能为未来的大词汇量语音识别系统设计提供参考。