用于远场语音识别的深度学习

深度学习是一项新兴技术，被认为是最有希望达到更高水平人工智能的方向之一。在其他成就之中，构建能理解语音的计算机代表着迈向智能机器的关键飞跃。然而，尽管过去几十年付出了巨大努力，自然且鲁棒的人机语音交互似乎仍遥不可及，尤其是当用户在噪声与混响环境中通过远距离麦克风进行交互时。后者的干扰严重损害语音信号的可懂度，使得远场语音识别（DSR）成为该领域的主要开放挑战之一。本论文针对后一场景，提出一些新技术、架构与算法，以提升远讲声学模型的鲁棒性。我们首先阐述用于真实数据污染的方法论，特别关注使用模拟数据训练 DNN。接着我们研究更好地利用语音上下文的方法，针对前馈与循环神经网络提出一些原创方法论。最后，受不同 DNN 间协作可能是抵消噪声与混响有害效应关键这一想法的启发，我们提出一种称为深度神经网络网络（network of deep neural networks）的新型深度学习范式。对原始概念的分析基于在真实与模拟数据上开展的广泛实验验证，考虑了不同语料库、麦克风配置、环境、噪声条件与 ASR 任务。