請用此 Handle URI 來引用此文件:
http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/4793
標題: | 以深層與卷積類神經網路建構聲學模型之大字彙連續語音辨識 Deep and Convolutional Neural Networks for Acoutic Modeling in Large Vocabulary Continuous Speech Recognition |
作者: | Po-Wei Chou 周伯威 |
指導教授: | 李琳山(Lin-Shan Lee) |
關鍵字: | 語音辨識,大字彙連續語音辨識,類神經網路,深層類神經網路, Speech Recognition,Large Vocabulary Continuous Speech Recognition,Artificial Neural Network,Deep Neural Network, |
出版年 : | 2015 |
學位: | 碩士 |
摘要: | 在語音辨識中,以深層類神經網路 (deep neural network, DNN) 取代傳統的高斯混合模型 (Gaussian mixture model, GMM) 來建構聲學模型 (acoustic model, AM) 的作法,因其優異的表現已逐漸成為主流。在本論文中,我們以深層類神經網路及卷積類神經網路 (convolutional neural network, CNN) 來產生隱藏式馬可夫模型 (hidden Markov model, HMM) 所需的狀態 (state) 機率,發展出大字彙連續語音辨識 (large-vocabulary continuous speech recognition, LVCSR) 中的聲學模型,在英文的評效語料 (benchmark corpus) 上進行了一系列的實驗。實驗結果顯示不論是深層類神經網路還是卷積類神經網路,其辨識準確率均能大幅地超越傳統基於高斯混合模型的作法,而其中又以深層類神經網路的表現最為出色。
由於不同語者的語音永遠是不一樣的,本文也探討了如何在深層類神經網路的聲學模型架構上,執行語者調適 (speaker adaptation) 以解決受測目標語者 (target speaker) 的語音與訓練語料 (training corpus) 之間不匹配 (mismatch) 的問題。透過對特徵空間上鑑別式線性迴歸 (feature-space discriminative linear regression, fDLR) 的改進,我們提出了一套將隱藏式馬可夫模型的狀態分群 (state-clustered) 的作法,更精細地考慮隱藏式馬可夫模型中各狀態不同的聲學結構,分群進行調適,並透過兩階段的方式進行辨識,提升目標語者的辨識準確度。在一系列的以 Facebook 個人動態 (status) 錄製而成的中英雙語 (bilingual) 語料的實驗中,可以發現不論是少量或是大量的調適語料,運用此方法建立的個人化 (personalized) 聲學模型皆能有相當良好的表現。 此外,我們也實作了一套透過圖形處理器 (graphics processing unit, GPU) 加速的深層類神經網路函式庫。文中除了介紹基本的使用說明以外,也詳細地記載了該程式的軟體架構與設計原理,並探討了圖形處理器上幾個重要的實作細節。 |
URI: | http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/4793 |
全文授權: | 同意授權(全球公開) |
顯示於系所單位: | 電信工程學研究所 |
文件中的檔案:
檔案 | 大小 | 格式 | |
---|---|---|---|
ntu-104-1.pdf | 37.25 MB | Adobe PDF | 檢視/開啟 |
系統中的文件,除了特別指名其著作權條款之外,均受到著作權保護,並且保留所有的權利。