基于殘差卷積神經(jīng)網(wǎng)絡(luò)的語音識別算法*

馮成立 程 雯

（武漢郵電科學(xué)研究院 武漢 430000）

1 引言

語音識別技術(shù)是人工智能領(lǐng)域發(fā)展較為迅猛的方向。其目的是為了將人說話的聲音轉(zhuǎn)換為其對應(yīng)的語言文本信息。傳統(tǒng)語音識別由聲學(xué)模型和語言模型構(gòu)成。傳統(tǒng)的聲學(xué)建模采用高斯混合模型（Gaussian Mixture Model，GMM）來提取語音的聲學(xué)特征信息，語言模型則使用隱馬爾可夫模型［1］（Hidden Markov Model，HMM），提取其對應(yīng)的語言特性。隨著深度學(xué)習(xí)發(fā)展，基于神經(jīng)網(wǎng)絡(luò)的語音識別迅速發(fā)展起來，聲學(xué)模型漸漸發(fā)展為深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，DNN），循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Network Network，RNN），卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，Cnn）等。如，科大訊飛的DFCNN、百度的Deep Speech 等。文本以DFCNN 作為基礎(chǔ)模型進行研究，分析了其模型優(yōu)缺點，并基于此進行改進，對改進前后的準(zhǔn)確率效果進行對比。

2 聲學(xué)模型

2.1 語音數(shù)據(jù)處理

文本采用的是16k 語音數(shù)據(jù)，語音數(shù)據(jù)預(yù)處理通常兩種做法，提取MFCC和Filter bank特征。MFCC 是在Mel 標(biāo)度頻率域提取出來的倒譜參數(shù)，是一種在語音識別領(lǐng)域與說話人識別領(lǐng)域中廣泛使用的特征。Mel 標(biāo)度模擬了人耳頻率的非線性特性，它與頻率的關(guān)系可用下式近似表示：

主要對音頻數(shù)據(jù)處理過程分為以下幾步驟：預(yù)加重，分幀，加窗，快速傅里葉變換（STFT），梅爾濾波，去均值，離散余弦變換（DCT）等。最后構(gòu)造成一個基于人耳頻率的語音特征頻譜圖。Fbank 和MFCC 基本類似，但是在最后一步?jīng)]有使用離散余弦變換，因此fbank包括更豐富的語音特征信息，在使用深度神經(jīng)網(wǎng)絡(luò)的時候，我們通常使用filter bank特征來作為網(wǎng)絡(luò)特征的輸入。

2.2 DFCNN模型

獲得MFCC 語音頻譜特征后，需要使用深度殘差CNN 提取音頻特征。……