基于時間規整算法在神經網絡語音識別中的應用

郭川玉 吳榮茂

(1.深圳航天科創實業有限公司 廣東深圳 518000；2.深圳航天科創智能科技有限公司 廣東深圳 518000)

前 言

語音識別系統的設計和運行需要有較多高新技術作為支撐。神經網絡的分類能力較強，能夠有效解決模式分布中復雜的分類問題，在語音識別中發揮著積極作用。神經網絡語音識別活動進行中，難點在于時間規整這一方面。高度重視時間規整的內容，能夠使神經網絡語音識別設計和運行取得良好效果。

一、神經網絡語音識別的基本情況

語音識別(Automatic Speech Recognition，ASR)，是借助于分析和理解轉變語音信號，使其成為相應的命令或者文本的尖端技術。語音識別技術在實際應用過程中，本身屬于一種交叉學科，關系到概率論和信息論、人工智能、信號處理、發聲機理和聽覺機理以及模式識別等方面。在語音識別技術的支持下，有效結合語音合成技術，能夠實現人機語音通信。在建立語音系統的過程中，聽覺能力和講述能力這兩項技術是重要基礎。

神經網絡語音識別技術的有效應用，要具備較多應用功能，主要是實現語音測聽和語音搜索兩個方面。支持語音識別活動的順利實施，主要包含以下幾個方面：

1.語音搜索。這一功能在應用中，用戶能夠輸入多種信息，包含情緒檢測信息、關鍵詞信息以及長時靜音信息。這一功能可以快速篩選出索引文件，還能夠返回給用戶所關注到的語音，使用戶能夠反復聽這些檢索信息。語音在搜索過程中，可以搜索到任意關鍵詞，實現高級搜索、不同時間段搜索，并能夠測聽結果錄音流水號。

2.語音測聽。質檢員能夠測聽語音搜索出的錄音文件。在語音測聽活動進行中，質檢員主要使用錄音播放器，通過對話方式高亮展現出錄音文本內容，使用不同顏色表示出違規類型情況。這可以支持點擊跳轉活動。

3.構建語音語言訓練模式。神經網絡語音識別系統進行中，涉及到多個行業的語音語言訓練模型，可以提高語音支持率。

4.數據挖掘。開展數據統計和分析，積極利用MapReduce并行計算框架及數據挖掘算法，全面整理和歸納好各項結果，尋找其中潛在的運行模式，給決策者提供重要的信息支持，避免決策失誤的情況發生[1]。

二、基于時間規整算法在神經網絡語音識別中的應用

(一)時間規整算法

根據這一公式開始重復計算，從i=0開始，一直計算到i=n-N-1為止。

時間規整算法在實際應用過程中，能夠有效避免以往算法在神經網絡語音識別中出現的不足，可以減少語音段錯誤真正劃分的情況發生，從而有效增強后端分類器的實際識別率[3]。時間規整算法的具體應用，具有較強的實效性。從規整次序角度出發，時間規整網絡可以把握到語音信號的局部位置，針對各項語音信號加以合理合并，依次完成合并作業。這是針對最小幀間距離語音分析幀進行的。整個過程中，可以在各個音素段中融入語音過渡段，在這一條件下，講話人的發音特點，不會對最后識別情況產生不良影響，從而提升語音識別系統的總體應用效果[4]。

(二)動態時間規整(DTW算法)

DTW算法(Dynamic Time Warping)，是針對兩個長度不同時間序列相似度的方法，能夠應用在模板匹配之中，可以作為數據挖掘和信息檢索的重要支持。在神經網絡語音識別環節，DTW算法是表示數據中較為常見的形式。這是利用時間規整函數W(n)，針對測試模板和參考模板的時間對應關系加以描述，從而求解出匹配這兩個模板時最小距離所應對的規整函數，有效支持語音識別活動，保證識別率[5]。

三、結束語

現代語音識別系統在當前生產生活中占據重要地位，給人們的日常生活提供極大便利。時間規整算法在神經網絡語音識別中，能夠發揮前端時間規整和動態時間規整(DTW算法)的優勢和作用，應用效果良好。