无显式音子聚类的上下文相关声学建模
音频与语音处理
2021-04-08 v2 机器学习
声音
摘要
大词汇量自动语音识别的基于音素的声学建模利用了音素上下文。大量的上下文相关(CD)音素及其高度变化的统计特性需要进行绑定或平滑以实现鲁棒训练。通常，分类与回归树用于音素聚类，这是基于隐马尔可夫模型(HMM)系统中的标准做法。然而，该方案引入了次要训练目标，且不允许端到端训练。本文中，我们针对混合深度神经网络(DNN)/HMM提出了一种直接的音素上下文建模方法，其不依赖于任何音素聚类算法来确定HMM状态集。通过对中心音素状态及其左右上下文的联合概率进行不同分解，我们获得了一个由不同组件构成、联合训练的因子化网络。此外，网络对音素上下文的表示依赖于音素嵌入。我们提出的模型在Switchboard任务上的识别准确率与采用标准状态绑定决策树的混合模型相当，并略有超越。
引用
@article{arxiv.2005.07578,
title = {Context-Dependent Acoustic Modeling without Explicit Phone Clustering},
author = {Tina Raissi and Eugen Beck and Ralf Schlüter and Hermann Ney},
journal= {arXiv preprint arXiv:2005.07578},
year = {2021}
}
备注
Proceedings of Interspeech 2020