[发明专利]一种基于Kaldi的中文语音识别声学模型构建方法

说明书

本发明公开了一种基于Kaldi的中文语音识别声学模型构建方法，包含以下步骤：步骤一：获得语料集的音频集和对应的文字集；步骤二：将获得的文字集格式化；步骤三：从音频集中提取声学特征；步骤四：单音素训练；步骤五：基于高斯混合模型‑隐马尔科夫模型和深度神经网络‑隐马尔科夫模型的框架，进行如下动作：5.1将音频集根据声学模型对齐；5.2训练三音素模型；5.3根据声学模型重新对齐音频重新训练三音素模型。利用本申请识别准确，识别效率高。

技术领域

本发明属于语音识别技术领域，特别涉及一种基于Kaldi的中文语音识别声学模型构建方法。

背景技术

语音识别(Automatic Speech Recognition，ASR)所要解决的问题是让计算机能够听懂人类的语音，将语音转化成文本。语音识别是实现智能的人机交互的前沿阵地，是完全机器翻译，自然语言理解等的前提条件。近年来随着大数据时代的到来，以及深度神经网络在语音识别中的应用，语音识别系统的性能获得了显著的提升。语音识别也逐步走向实用化和产品化，越来越多的语音识别智能软件和应用开始走入大家的日常生活，例如语音输入法，智能语音助手，车载语音交互系统等等。

语音识别—通过直接人机语音对话方式即对人类语音的词汇语法的分解，并将内容转换为计算机可读的输入，例如按键、二进制编码或字符序列。思维是人脑的机能，是对外部现实的反映；语言则是现实思维、巩固和传达思维成果即思想的工具。

语音识别的目的是对给定的波形序列，可以得到相应的单词或者字符序列。因此语音识别可以被看作是一个信道解码或者模式分类问题。统计建模是目前主流的语音识别方法。基于统计建模框架，对于给定语音波形序列O，我们可以采用贝叶斯决策的最大后验概率(Maximum A Posteriori，MAP)估计得到最优的输出序列W*。其中条件概率P(O|W)表示模型生成观察序列的概率，对应语音识别系统的声学模型(Acoustic Model，AM)。

声学模型的任务是计算条件概率P(O|W)，即给模型产生语音波形的概率。声学模型是语音识别系统的重要组成部分，它占据着语音识别大部分的计算开销，决定着语音识别系统的性能。

发明内容

本发明的目的是提供一种基于Kaldi的中文语音识别声学模型构建方法，基于网络爬虫收集的文本材料，设计用于语音识别的文本语料库，并通过手机App采集语音语料。基于Kaldi语音识别工具包，训练声学模型，并与语言模型结合，检验声学模型的性能。

为实现本发明的目的，本发明提供的一种基于Kaldi的中文语音识别声学模型构建方法，包含以下步骤：

步骤一：获得语料集的音频集和对应的文字集；

步骤二：将获得的文字集格式化；

步骤三：从音频集中提取声学特征；

步骤四：单音素训练；

步骤五：基于高斯混合模型-隐马尔科夫模型和深度神经网络-隐马尔科夫模型的框架，进行如下动作：

5.1将音频集根据声学模型对齐；

5.2训练三音素模型；

5.3根据声学模型重新对齐音频重新训练三音素模型。

其中，步骤五中5.3具体包括如下步骤：

重复上述5.1和5.2步骤，并加入额外更精细的三音素模型训练，通常包括隐含狄利克雷分布、最大似然准则MLLT变换以及说话人自适应训练。

与现有技术相比，本发明的有益效果为，