动态贝叶斯网络驱动的大词汇量语音识别与音素切分提升研究

本文主要探讨了基于动态贝叶斯网络的大词汇量连续语音识别和音素切分的研究。动态贝叶斯网络(Dynamic Bayesian Network, DBN)作为一种强大的机器学习工具，在语音识别领域展现出广阔的应用前景。作者在此提出了一种创新的单流多状态动态贝叶斯网络(Singlestream Multi-states Dynamic Bayesian Network, SM-DBN)模型，它是在Bilmes等人提出的Phone-shared Singlestream Dynamic Bayesian Network (SS-DBN-P)模型的基础上发展而来。 SS-DBN-P模型以词作为识别单元，而SM-DBN模型在此基础上进行了扩展，将识别单元改为音素，以更好地捕捉语音信号中的细致变化。每个音素被赋予固定数量的状态描述，并且这些状态直接与观测向量相连，这样可以更精确地反映音素的动态发音过程。与SS-DBN-P模型相比，SM-DBN模型在大词汇量连续语音识别中取得了显著提升，特别是在纯净语音环境下的识别率分别提高了13.01%和35.2%，这表明音素级别的建模有助于提高识别性能。 此外，SM-DBN在音频流的音素切分任务中也表现优秀，相比于SS-DBN-P模型，音素切分的正确率分别提升了10%和44%，进一步证明了该模型在复杂语音处理任务中的优越性。动态贝叶斯网络的使用使得模型能够处理非平稳的语音信号，通过条件概率分布的建模，有效地解决了大词汇量连续语音识别中的不确定性问题。 本文的研究工作不仅提升了连续语音识别的准确度，还展示了动态贝叶斯网络在音素层面分析和处理语音信号的强大能力，对于推动语音识别技术的发展具有重要意义。未来的研究可以进一步探索如何优化模型结构，提高在噪声环境下的性能，以及与其他深度学习方法相结合，以实现更高效、鲁棒的语音识别系统。