基于PIFA的语音识别系统评测平台

语音识别技术的应用领域众多,而语音识别系统的性能评测对语音识别技术的发展起着重要的推动作用。为了能够更好地对比各类语音系统的性能,在总结现有各种语音识别评测方法的基础上,提出了一种基于性能影响因素分析(PIFA)的语音识别平台体系结构,并据此开发了一个通用的语音识别系统评测平台。该平台以评测库和评测项目为核心概念,包含评测数据生成、数据分析、性能评价指标计算和性能影响因素分析等主要模块,能够面向多种任务和多种语音数据对语音识别系统性能进行快速、准确的自动化评价,尤其适用于大词汇量、连续性的语音识别情景。评测结果可以由平台加以统计分析,揭示各数据属性对识别系统性能的影响,指导语音识别系统的改进和提高。

连续语音识别系统性能评估软件

本文介绍了以一种比较两个句子的新的有效算法为基础而编制的连续语音识别系统性能评估软件,它通过比较连续语音识别系统输出的若干句子和相应的标准句子,得到系统性能的定量数据。该软件的可靠性得到大量实验验证。

语音识别系统测试平台设计

语音识别系统的性能测试在整个语音识别系统开发过程中具有非常重要的作用。本文中主要介绍了一个语音识别系统测试平台的设计过程。该测试平台功能模块划分合理,接口稳定,能够灵活适用于多种语音识别系统的评测,有助于语音识别系统的开发。对平台中各个模块的功能以及模块间的接口进行了详细的介绍。此外,文中以测试一个特定说话人的孤立词语音识别系统为例,介绍了整个测试的流程。

面向管制语音识别系统的性能评价方法

目前,随着空中交通管理领域的发展,越来越多的人工智能技术运用到管制领域。其中自动语音识别技术被用于管制指令纠错、复诵一致性检验等方面,用于提升飞行安全和效率。为了解决自动语音识别系统的性能参差不齐的问题,提出了一种面向管制语音识别系统的性能评价方法,对3个待测系统进行了评价与分析。首先,按照一定的管制场景比例收集管制语音并进行数据标注,建立管制语音识别系统测试语料库;其次,设计管制语音识别系统评价指标体系,并通过层次分析法计算指标权重;最后,提出并训练3个待测管制语音识别系统用于评价分析。结果表明,通过该评价方法可以对管制语音识别系统进行全面的评价以及分析不同管制场景下系统的表现情况,并能够根据不同的管制场景提出性能改进建议。该方法提供了一种直观的评价管制语音识别系统的途径,有望为未来的研究提供有力的指导。

基于DNN的自动语音识别系统错误率评估方法

目的为客观评估自动语音识别(automatic speech recognition,ASR)系统的词错率(word error rate,WER),满足言语能力受损人群的康复需求,促进特殊人群客观言语能力评估体系构建,本研究提供了一种直接根据深度神经网络(deep neural network,DNN)发出的音素后验概率预测WER的方法,而不是计算参考转录文本与隐马尔可夫(hidden Markov model,HMM)解码的转录文本之间的WER。方法通过对语音信号进行特征提取并将其输入到DNN模型中以计算音素后验概率图(phonetic posterior grams,PPG)。通过PPG计算出反映ASR系统WER的3种性能指标以达到预测目的。最后,对在4种真实声学场景下所得WER预测数据进行分析,验证其有效性。同时,研究还搭建了20种不同深度、宽度的声学模型进行性能评估对比,探究了模型规模对预测效果的影响。结果根据20种模型WER评估的数据,其中具有2层隐藏层且每层含512个神经元的网络模型对WER数据预测误差达到最小,省略ASR系统解码步骤而得到可靠的WER预测数据。结论使用基于音素概率的性能指标可以实现对WER的有效预测,并且可以摆脱参考转录文本和单词标签的限制。

SystemC的扩展及其在性能分析中的应用研究

在嵌入式系统的系统级建模和性能分析过程中,经常需要定量地分析和评估系统的平均延时、CPU占用率等性能指标.本文基于SystemC语言,针对嵌入式系统设计了一套性能分析评估的库函数,用于统计性能参数样本、计算期望值和置信区间,同时在性能指标满足要求的精度时终止仿真.并详细阐述了性能分析库函数的设计方法.以语音识别系统为例,设计了一个虚拟仿真平台,并使用该性能分析库函数进行性能分析,仿真结果表明,设计的库函数适用于嵌入式语音识别系统的性能分析,在一定程度上对SystemC的类库进行了扩展.