基于CDHMM/SOFMNN噪声背景下的语音识别方法

针对噪声背景下传统语音识别系统识别率较低的问题,提出了一种将自组织特征映射神经网络(SOFMNN)与隐马尔可夫模型(HMM)相结合的方法,训练出适应噪声的混合模型.该模型适合于对噪声背景下的语音进行识别.同传统的CDHMM模型以及直接在语音中加入加性噪声训练出的CDHMM模型相比,该模型具有更好的抗噪鲁棒性,在信噪比较低的情况下(2～12 dB),识别率比传统CDHMM模型有明显提高.

一种基于HMM/ANN的混合语音识别系统的设计

文中将自组织特征映射神经网络(SOFMNN)与隐马尔可夫模型(HMM)相结合,训练出抗噪声的HMM模型。试验表明,该模型适合于对噪声背景下的语音进行识别。同传统的CDHMM模型以及直接在语音中加入加性噪声训练出的CDHMM模型相比,该模型具有更好的抗噪鲁棒性,在信噪比较低的情况下(3dB—15dB),识别率比传统CDHMM模型有明显的提高。

基于HMM的普通话单字发音准确度评价方法研究

在大量语音分析实验的基础上,提出了一种普通话单字发音准确度计算辅助评价方法。细化声韵母,对反映普通话发音准确度的声韵过渡段建立连续高斯混合密度HMM的普通话发音标准度评价系统。在语音特征上采取了符合人耳听觉特征的Mel倒谱。最后结合基音特征,完成客观特征到主观评价的映射。实验证明,该方法取得了较好的效果。