基于Sphinx的汉语连续数字语音识别系统研究

"这篇论文研究了使用Sphinx进行汉语连续数字语音识别的方法。作者王韵和张雪英来自太原理工大学信息工程学院，他们构建了一个基于Sphinx的系统，该系统利用SphinxTrain训练声学模型，cmuclmtk生成语言模型，并采用PocketSphinx作为识别引擎。实验结果显示，该系统在非特定人不定长数字串识别中的准确率为89.583%，词识别率为97.20%。" 文章详细介绍了构建汉语连续数字语音识别系统的过程。首先，Sphinx是一个广泛使用的开源语音识别框架，而SphinxTrain是用于训练声学模型的工具，它可以处理汉语的声学特性，将声音转换为可识别的模式。声学模型是语音识别系统的关键组成部分，它将音频信号转化为概率模型，以便与词汇表中的发音对应。 其次，cmuclmtk是一个统计语言模型生成工具，用于构建语言模型。语言模型则处理语音识别中的语言上下文问题，帮助系统理解连续数字串的语义结构，提高识别准确性。在汉语环境中，由于数字之间的混淆性和单音节的特点，语言模型尤为重要。 接着，文章提到使用了PocketSphinx作为识别引擎。PocketSphinx是CMU开发的轻量级、适用于嵌入式设备的语音识别引擎，特别适合小词汇量的连续语音识别，例如数字识别。尽管它最初设计用于英语，但经过调整后，也可以适应汉语数字的识别。 系统结构部分，文章指出连续语音识别系统包括四个主要部分：特征提取、声学模型、语言模型和识别引擎。特征提取是通过SphinxBase库实现的，该库使用MFCC（梅尔频率倒谱系数）技术对原始音频数据进行预处理，提取出有助于识别的特征。MFCC流程包括预加重、分帧、窗函数、傅里叶变换、梅尔滤波器组、对数运算以及离散余弦变换等步骤。 这篇论文展示了一个基于Sphinx的汉语连续数字语音识别系统的构建过程和其实效性，为汉语语音识别技术的发展提供了有价值的参考。通过优化声学模型和语言模型，以及利用开源工具，系统实现了高识别率，显示了在各种应用场景中的潜力。