基于结构化深度学习的语音识别自适应技术研究

发布时间：2020-05-25 15:14

【摘要】：深度神经网络-隐马尔可夫模型的提出令语音识别在干净环境中的应用取得了巨大进展。然而,因为训练数据与测试数据之间的声学环境失配,语音识别的准确率在噪声环境下相比在干净环境下依然存在巨大的性能下降。因此,基于深度神经网络的说话人自适应技术成为当前语音识别领域的一个研究热点和难点。之前的相关工作因为缺乏对深度神经网络结构的先验设计,在自适应时需要估计大量的自适应参数,不能最有效的使用有限的自适应数据。本论文首先提出了基于结构化深度学习的自适应来更有效的进行基于深度神经网络的自适应和自适应训练,主要包括两个部分:基于结构化深度学习的特征自适应和基于模型结构化的深度学习自适应。随后,本论文提出了自适应的超深卷积残差网络并获得了抗噪语音识别中的最佳性能。基于结构化深度学习的特征自适应主要围绕基于说话人感知训练的自适应框架展开,提出了基于环境感知训练的循环神经网络自适应以及基于深度神经网络的在线自适应这两大方法。首先,提出了基于说话人感知训练的循环神经网络声学模型自适应,这是第一个将说话人感知训练运用在循环神经网络上的工作。在最基础的拼接结构上,本论文探索了两种新的结构来避免潜在的信息爆炸。此外,本论文提出了基于深度神经网络的说话人表示提取,并进一步设计了基于多任务训练和音素感知的结构来提取同时包含多种环境因素(比如说话人和单音素)的环境表示。该特征和传统i-vector一起用于基于说话人感知训练的循环神经网络自适应中,在会议语音识别任务AMI中取得了相对6.5%的性能提升。最后,我们将环境的概念扩展到了语言模型中,初步探索了两种基于题材感知训练的循环神经网络语言模型的自适应方法,在多题材广播节目的字幕生成任务中相比无自适应的语言模型取得了显著的性能提升。随后,本论文进一步探索了基于深度神经网络的在线自适应方法,提出了基于深度神经网络的多因子感知联合训练的创新框架。该框架提出了结构化的模型,将多个拥有不同功能的模块集成在一个深度计算型网络中。该方法使用深度神经网络在线地提取基于说话人、音素和噪声环境的表示,并将这些表示集成进主语音识别网络中用于提高网络的语音分类性能。它使用了多任务训练的框架来同时优化主语音识别网络和环境特征提取网络的参数,不需要显式的特征提取和自适应阶段,拥有和基线网络一样的解码实时率。我们在远场和抗噪语音识别任务AMI和Aurora4上验证了所提出的新框架,取得了比无自适应的基线系统相对10%到18%的性能提升。基于模型结构化的深度学习自适应的研究围绕基类自适应训练展开,本论文将其扩展到深度神经网络中:对于神经网络的一层,使用一组权重矩阵作为权重矩阵基;为每一种声学环境估计一个插值向量用于将权重矩阵基组合成一个环境独有的权重矩阵。由于在自适应时只需要估计这一维度很低的插值向量,因而该方法可以更有效的利用有限的自适应数据。同时,本论文证明了基于环境感知训练的自适应框架等价于使用了一组偏置基,因此可以作为基类自适应训练框架中的一个特例。该方法在电话语音识别任务Switchboard中取得了相对7.6%到10.6%的性能提升。自适应的超深卷积残差网络的研究针对目前抗噪语音识别中最有效的超深卷积残差网络展开,将本论文提出的两个自适应方法扩展到超深卷积残差网络中。本论文解决了二维输入无法和向量进行拼接的问题;探索了两种不同的网络参数作为基的方法;针对多种环境因子,提出了基于多因子的参数基结构。这一系列方法的共同应用在抗噪语音识别任务Aurora4上取得了单系统5.92%词错误率,这是目前业界最好的性能。最后,本论文综合了所提出的两类结构化深度学习方法,提出了多轮次解码的语音识别系统架构,在抗噪语音识别任务Aurora4、Chime4、AMI上进行了验证。其中在Aurora4上的性能已经接近于人类,在带真实环境噪声的Chime4和AMI上也取得了相对10%到39%的性能提升。总而言之,本论文成功地将结构化深度学习运用在了语音识别的特征自适应和模型自适应中,在电话语音识别任务以及抗噪语音识别任务上均取得了显著的性能提升,特别在Aurora4上取得了全业界最好的性能。
【图文】：

变迁图,语音识别,错误率,词序

图 1 1 语音识别词错误率变迁图 (截止 2009 年)Fig 1 1 History of WER on several tasks (until 2009)音识别架构今为止最为成功的基于统计的语音识别的框架中，语音识别过程可以公式：w argmaxww O 所有可能的候选假设中寻找拥有最大后验概率 w O 的词序列n是词序列，O o1oT是特征向量序列。w argmaxww OargmaxwO w wO

框架图,语音识别,框架,声学模型

图 1 2 语音识别框架Fig 1 2 Framework of an automatic speech recognition system图 1 2是对当前流行的语音识别系统的框架的描述，它主要由四个部分组成，包括前端信号处理、声学模型、语言模型和解码器。前端信号处理：原始模拟信号首先经录入器件转化为数字信号。前端信号处理部分负责从数字化后的语音中提取鲁棒的声学特征信息，主要包括多麦克风阵列降噪和提取符合人耳听觉感知的声学特征等。详细内容将在章节 2.1.1中介绍。声学模型(AcousticModel,AM):声学模型是语音识别系统中最核心的模型之一。声学模型的好坏直接决定了语音识别系统的性能，也是本论文的研究重点之一。声学模型建模的是给定的词序列生成出所观测到的特征向量序列的条件概率 O w目前主流的语音识别系统通常使用隐马尔可夫模型（Hidden Markov Model, HMM来做为声学模型。在 HMM 中，存在一个概率分布被称为状态输出概率，这个概率可以通过使用混合高斯模型来建模，也可以通过深度神经网络来建模。使用前
【学位授予单位】：上海交通大学
【学位级别】：博士
【学位授予年份】：2018
【分类号】：TN912.34;TP18

【相似文献】