劉妍秀,孫一鳴,楊華民

(1.長(zhǎng)春大學(xué) 教務(wù)處,長(zhǎng)春 130022；2.長(zhǎng)春理工大學(xué) 計(jì)算機(jī)科學(xué)技術(shù)學(xué)院,長(zhǎng)春 130022)

?

基于歸一化算法的噪音魯棒性連續(xù)語(yǔ)音識(shí)別*

劉妍秀1,孫一鳴2,楊華民2

(1.長(zhǎng)春大學(xué) 教務(wù)處,長(zhǎng)春 130022；2.長(zhǎng)春理工大學(xué) 計(jì)算機(jī)科學(xué)技術(shù)學(xué)院,長(zhǎng)春 130022)

針對(duì)歸一化方法在連續(xù)語(yǔ)音特征曲線調(diào)整時(shí)存在的問(wèn)題,提出一種優(yōu)化解決方案,解決了噪聲的不穩(wěn)定性及不可預(yù)測(cè)性對(duì)語(yǔ)音特征的影響.結(jié)果表明,基于該優(yōu)化方法建立的魯棒性連續(xù)語(yǔ)音識(shí)別模型可實(shí)現(xiàn)在實(shí)驗(yàn)室干凈環(huán)境和現(xiàn)實(shí)噪音環(huán)境下同時(shí)得到較好的識(shí)別結(jié)果.

歸一化；噪音魯棒性；連續(xù)語(yǔ)音識(shí)別

目前,大多數(shù)語(yǔ)音識(shí)別系統(tǒng)都采用隱Markov模型(HMM)進(jìn)行識(shí)別,它的識(shí)別率高、速度快.針對(duì)實(shí)驗(yàn)室干凈環(huán)境和噪音環(huán)境,通常要使用不同的模型才能得到較好的識(shí)別結(jié)果[1].本文通過(guò)歸一化方法建立一個(gè)魯棒性模型,實(shí)現(xiàn)了在實(shí)驗(yàn)室干凈環(huán)境和現(xiàn)實(shí)噪音環(huán)境下同時(shí)都能得到較好的識(shí)別結(jié)果.

1 歸一化方法

語(yǔ)音識(shí)別領(lǐng)域中針對(duì)不同的歸一化方法有不同的優(yōu)化方法.某些歸一化方法的計(jì)算量較大,因此不能真正應(yīng)用于實(shí)時(shí)的語(yǔ)音識(shí)別,特別是實(shí)時(shí)的連續(xù)語(yǔ)音識(shí)別[2].而計(jì)算量小、時(shí)間復(fù)雜度低的歸一化方法又無(wú)法獲得理想的識(shí)別結(jié)果.雖然語(yǔ)音識(shí)別可根據(jù)說(shuō)話方式、詞匯量等輸入語(yǔ)音的限制進(jìn)行分類,但實(shí)時(shí)性對(duì)任何一種語(yǔ)音識(shí)別系統(tǒng)都非常重要.針對(duì)歸一化方法、時(shí)間復(fù)雜度和識(shí)別結(jié)果之間的矛盾關(guān)系,不同的語(yǔ)音識(shí)別需求有不同的實(shí)際問(wèn)題.因此,如何合理地將歸一化方法應(yīng)用到實(shí)時(shí)性的連續(xù)語(yǔ)音識(shí)別中是連續(xù)語(yǔ)音識(shí)別的一個(gè)關(guān)鍵問(wèn)題.

在歸一化方法中,動(dòng)態(tài)范圍調(diào)整(DRA)方法簡(jiǎn)單、高效,本文基于DRA方法提出了其改進(jìn)方法.如果以音素為單位,并在每個(gè)音素內(nèi)直接使用DRA方法可能存在缺陷：除無(wú)音音素外,其余有效音素的范圍太小,一般是3～15幀數(shù)據(jù).無(wú)音音素包括短暫的停頓(sp)、語(yǔ)音開(kāi)始和結(jié)束時(shí)的無(wú)音部分(SilB和SilE).如果在音素范圍內(nèi)直接使用DRA方法,會(huì)導(dǎo)致語(yǔ)音特征發(fā)生急劇變化,且在連續(xù)語(yǔ)音中如何精確獲取音素的邊界也是一個(gè)難題[3].如果把范圍擴(kuò)充,例如以10個(gè)音素為一組應(yīng)用DRA方法,歸一化過(guò)程中,每組的不同最大值會(huì)破壞特征曲線在組與組邊緣的連續(xù)性,且音素的邊界確定問(wèn)題仍未解決.

針對(duì)上述問(wèn)題,本文以語(yǔ)音特征曲線的自然分段為單位進(jìn)行歸一化,雖然不能解決音素邊界的精確提取問(wèn)題,但可通過(guò)該方法避免語(yǔ)音特征發(fā)生急劇變化的問(wèn)題.為了最大限度地保持待識(shí)別噪音數(shù)據(jù)與建模數(shù)據(jù)的相似性,把特征曲線的自然分段定義在過(guò)零點(diǎn)附近,在過(guò)零點(diǎn)附近對(duì)語(yǔ)音特征曲線進(jìn)行分段可保持特征曲線的連續(xù)性.在進(jìn)行語(yǔ)音特征調(diào)整時(shí)需確定3個(gè)參數(shù)：選擇過(guò)零點(diǎn)的范圍、用于進(jìn)行歸一化的最大值和噪聲影響系數(shù)[4].

在選擇過(guò)零點(diǎn)時(shí)不考慮該過(guò)零點(diǎn)是否出現(xiàn)在音素特征曲線的中間位置,因?yàn)槎鄶?shù)過(guò)零點(diǎn)并不出現(xiàn)在音素特征曲線的邊界,而出現(xiàn)在音素特征曲線的中間位置.在檢測(cè)過(guò)零點(diǎn)時(shí)不考慮檢出特征曲線中所有的過(guò)零點(diǎn),因?yàn)槭茉胍粲绊?短時(shí)內(nèi)可能出現(xiàn)多個(gè)過(guò)零點(diǎn).特征曲線調(diào)整的思想是通過(guò)對(duì)過(guò)零點(diǎn)的選擇及部分顯著特征的部分恢復(fù)保持待識(shí)別噪聲特征曲線和建模特征曲線的相似性,并在兩個(gè)過(guò)零點(diǎn)之間應(yīng)用DRA方法保證特征曲線的連續(xù)性.

2 噪聲影響分析

噪聲信號(hào)會(huì)對(duì)語(yǔ)音信號(hào)產(chǎn)生影響,理論上,噪音對(duì)信號(hào)增益部分與信號(hào)直流分量部分產(chǎn)生的影響不同,相對(duì)于純凈的語(yǔ)音信號(hào),噪音對(duì)直流分量部分會(huì)產(chǎn)生較強(qiáng)的影響.圖1為噪聲對(duì)孤立詞語(yǔ)音特征曲線的影響.其中：藍(lán)色表示純凈語(yǔ)音的特征曲線,綠色表示受噪聲干擾后的特征曲線.由圖1可見(jiàn):在紅線標(biāo)識(shí)處的差異導(dǎo)致了識(shí)別精度的下降,但通過(guò)歸一化方法最大限度地減少了這種差異；受干擾后特征曲線的動(dòng)態(tài)范圍小于純凈語(yǔ)音特征曲線的動(dòng)態(tài)范圍.因此歸一化方法在孤立詞識(shí)別中作用明顯[5].由語(yǔ)音特征曲線可見(jiàn),特征曲線的顯著部分雖會(huì)受噪聲的影響,但影響后的特征與其他部分相比仍為明顯特征.

在孤立詞中,噪聲對(duì)峰值的影響多成比例關(guān)系,因此通過(guò)歸一化算法能減少噪聲帶來(lái)的影響.但在連續(xù)語(yǔ)音特征曲線中,噪聲對(duì)特征曲線動(dòng)態(tài)范圍的影響與孤立詞相同,但隨著連續(xù)語(yǔ)音特征曲線的延長(zhǎng),雖然部分語(yǔ)音特征被噪聲完全破壞,但其明顯特征部分比孤立詞多,而且明顯特征部分受噪音影響的程度也不一致,在明顯特征部分也沒(méi)有孤立詞中較穩(wěn)定的對(duì)應(yīng)關(guān)系[6].圖2為噪聲對(duì)連續(xù)語(yǔ)音特征曲線的影響.

圖1 噪聲對(duì)孤立詞語(yǔ)音特征曲線的影響Fig.1 Effect of noise on the isolated wordspeech characteristic curve

圖2 噪聲對(duì)連續(xù)語(yǔ)音特征曲線的影響Fig.2 Effect of noise on continuous speechcharacteristic curve

如果在連續(xù)語(yǔ)音特征調(diào)整中使用歸一化方法,必須對(duì)原有方法進(jìn)行改進(jìn).在改進(jìn)過(guò)程中,期望通過(guò)不同的調(diào)整值保持顯著特征部分能相互匹配,從而增加識(shí)別的正確比例.由圖2可見(jiàn),受噪聲影響特征曲線的最高峰值與純凈語(yǔ)音的最高峰值并不對(duì)應(yīng),因此容易判斷出該位置不能很好地匹配,這部分的顯著特征需要進(jìn)行單獨(dú)處理.繼續(xù)觀察可見(jiàn),特征曲線中峰值顯著部分的比例關(guān)系由于噪聲的影響也受到了破壞,因此,在算法中還需對(duì)受噪聲影響顯著特征部分的比例關(guān)系進(jìn)行恢復(fù)[7].

3 特征調(diào)整算法的優(yōu)化

特征調(diào)整算法優(yōu)化步驟如下.

(1)

2)獲得調(diào)整值.從第一幀到LP2之間,選擇一個(gè)絕對(duì)值最大的峰值并定義該值為P2,從LP3到最后一幀之間,選擇一個(gè)絕對(duì)值最大的峰值并定義該值為P3.最大值在DRA算法中決定了特征向量的壓縮比例,在不同分段內(nèi)使用不同的調(diào)整值,在每個(gè)分段內(nèi)的最大值定義為Tmax,然后將Tmax與P2和P3進(jìn)行比較.定義Mmax=max{Mmax,P2,P3},如果P1-Mmax<2,則將max{Mmax,P2,P3}作為最終的調(diào)整值;否則,選擇P1作為調(diào)整值.

3)添加噪音系數(shù).噪音類型和信噪比會(huì)對(duì)語(yǔ)音產(chǎn)生不同的影響,因此噪音系數(shù)包含噪音類型系數(shù)和噪音信噪比系數(shù),定義N1,N2和N3為不同類型的噪音系數(shù),SSNR為噪音信噪比系數(shù),S10,S15和S20分別對(duì)應(yīng)10,15,20 dB,分別設(shè)置S10=0.1,S15=-0.1,S20=-0.8,N1:-0.2～0.3,N2:0～0.3,N3:-0.2～0.1,這些系數(shù)的值和范圍均來(lái)自實(shí)驗(yàn)數(shù)據(jù).

4)在分段內(nèi)使用DRA算法.根據(jù)已得到的分段和調(diào)整值以及噪音系數(shù)對(duì)語(yǔ)音特征進(jìn)行歸一化處理,在主分段內(nèi),使用(P1+SSNR+N2)作為調(diào)整值進(jìn)行歸一化,在主分段左側(cè)使用(Mmax+SSNR+N2)作為調(diào)整值進(jìn)行歸一化,在主分段右側(cè)使用(Mmax+SSNR+N3)作為調(diào)整值進(jìn)行歸一化.新的語(yǔ)音特征歸一化向量為

(2)

其中:CB(n)表示歸一化后的語(yǔ)音特征;CBf表示主分段左側(cè)的任意一個(gè)特征向量;CBb表示主分段右側(cè)的任意一個(gè)特征向量;CBm表示主分段內(nèi)的任意一個(gè)特征向量.

由式(2)可見(jiàn),所有連續(xù)語(yǔ)音特征的動(dòng)態(tài)范圍都被調(diào)整到(-1,1)內(nèi),在實(shí)驗(yàn)仿真時(shí),可精確知道噪音的類型,但在實(shí)際環(huán)境中,很難得到確切的噪音類型,因此,在未知噪音類型的情況下,可將N1,N2和N3設(shè)置為0,即在實(shí)際應(yīng)用中可以只考慮信噪比而不考慮噪音類型[8].

4 模型建立與識(shí)別

本文以音素為基本識(shí)別單位建立HMM模型,建模數(shù)據(jù)為實(shí)驗(yàn)室環(huán)境的純凈語(yǔ)音數(shù)據(jù).雖然建模數(shù)據(jù)為實(shí)驗(yàn)室環(huán)境下的語(yǔ)音數(shù)據(jù),但在信號(hào)處理階段仍使用倒譜均值相減法(CMS)去除信道的噪聲,去除噪聲后先用梅爾頻率倒譜系數(shù)(MFCC)對(duì)連續(xù)語(yǔ)音特征進(jìn)行提取,再用運(yùn)行頻譜分析(RSA)方法對(duì)得到的MFCC語(yǔ)音特征進(jìn)行優(yōu)化,最后使用DRA方法對(duì)語(yǔ)音特征進(jìn)行歸一化處理.在模型訓(xùn)練階段,使用歸一化后的特征對(duì)語(yǔ)音文本進(jìn)行上下文文本相關(guān)訓(xùn)練.為了保證發(fā)音的多樣性,在訓(xùn)練過(guò)程中未對(duì)訓(xùn)練語(yǔ)音進(jìn)行任何分段處理.建模過(guò)程中根據(jù)發(fā)音的主要特點(diǎn)對(duì)上下文相關(guān)的三音素進(jìn)行分類,得到最終模型.分類規(guī)則列于表1.

表1 音素分類規(guī)則Table 1 Phoneme classification rule

如果設(shè)置“X”為中心音素,在中心音素左側(cè)的音素用“-”標(biāo)識(shí),中心音素右側(cè)的音素用“+”標(biāo)識(shí),根據(jù)表1中規(guī)則對(duì)三音模型進(jìn)行聚類,聚類后的模型用于識(shí)別匹配.

在識(shí)別中,為了保證識(shí)別實(shí)時(shí)性的需求,信號(hào)處理階段只使用最基本的CMS方法進(jìn)行去噪,并使用MFCC進(jìn)行連續(xù)語(yǔ)音特征提取,針對(duì)MFCC語(yǔ)音特征再使用本文提出的算法.RSA方法主要對(duì)特征曲線進(jìn)行平滑處理,有利于訓(xùn)練過(guò)程中對(duì)純凈語(yǔ)音下大量的相似特征進(jìn)行建模,而識(shí)別中要盡量保持有限的明顯特征,故在識(shí)別中不使用RSA方法,而是通過(guò)本文提出的算法盡量去保持連續(xù)語(yǔ)音特征中的明顯部分.

5 實(shí)驗(yàn)結(jié)果分析

通過(guò)對(duì)算法的改進(jìn),在識(shí)別時(shí)有效放大了連續(xù)語(yǔ)音特征曲線中特征明顯的部分,針對(duì)訓(xùn)練和識(shí)別中采樣量化、建模工具及需要設(shè)置的各種參數(shù)如下:采樣頻率為16 kHz;量化標(biāo)準(zhǔn)為16位;特征向量為12維MFCC參數(shù)+12維一階MFCC參數(shù)+1階能量特征(共25維);幀長(zhǎng)為25 ms;偏移量為10 ms;窗口類型為海寧窗;音素個(gè)數(shù)為43個(gè);語(yǔ)音增強(qiáng)公式為1～0.97z-1;HMM狀態(tài)數(shù)為5個(gè)狀態(tài)(由左至右HMM,含開(kāi)始和結(jié)束狀態(tài));高斯混合數(shù)為16;聚類狀態(tài)約為2 000個(gè)；訓(xùn)練數(shù)據(jù)為153人朗讀共計(jì)23 561個(gè)句子；無(wú)語(yǔ)言模型;建模工具為HMM ToolKit;識(shí)別工具為JULIUS.

為了驗(yàn)證模型的魯棒性,在識(shí)別時(shí)不僅使用建模數(shù)據(jù)進(jìn)行驗(yàn)證,還使用了與建模數(shù)據(jù)完全不同的數(shù)據(jù)進(jìn)行測(cè)試.建模數(shù)據(jù)為12人朗讀共50個(gè)句子;未知數(shù)據(jù)為6人朗讀共180個(gè)句子;采樣分幀條件同上.

分別使用建模數(shù)據(jù)和未知數(shù)據(jù)對(duì)系統(tǒng)模型進(jìn)行測(cè)試能更好反應(yīng)聲學(xué)模型的魯棒性和算法的可靠性.識(shí)別正確率(corr)可反映在連續(xù)語(yǔ)音所有單詞序列中正確識(shí)別單詞的比例;識(shí)別精度(acc)可反應(yīng)連續(xù)語(yǔ)音的整體識(shí)別性能.在識(shí)別結(jié)果中,針對(duì)單詞的錯(cuò)誤被分成插入性錯(cuò)誤(insertion error)、刪除性錯(cuò)誤(deletion error)和子詞錯(cuò)誤(subsitution error).與識(shí)別精度相比,識(shí)別正確率中只考慮對(duì)單詞的識(shí)別是否正確,而不考慮插入性錯(cuò)誤對(duì)識(shí)別的影響.在連續(xù)語(yǔ)音識(shí)別中,一般以識(shí)別的正確率作為評(píng)價(jià)標(biāo)準(zhǔn).用公式表示為：

(3)

(4)

其中:N為連續(xù)語(yǔ)音中總的單詞數(shù);S為子詞性錯(cuò)誤;D為刪除性錯(cuò)誤;I為插入性錯(cuò)誤;RC為識(shí)別正確率;RA為識(shí)別精度[9].

針對(duì)實(shí)驗(yàn)室環(huán)境下的非訓(xùn)練數(shù)據(jù),本文算法也體現(xiàn)了良好的性能.表2和表3分別列出了使用原方法和本文方法的識(shí)別結(jié)果.由表2和表3可見(jiàn),算法對(duì)刪除性錯(cuò)誤有顯著影響.

表2 原有方法的識(shí)別結(jié)果Table 2 Recognition results by the original method

表3 本文方法的識(shí)別結(jié)果Table 3 Results of this method using the identification

在各種噪聲中,因?yàn)榘自肼晻?huì)在所有的頻譜內(nèi)對(duì)語(yǔ)音產(chǎn)生影響,甚至淹沒(méi)整個(gè)語(yǔ)音特征,一般除信號(hào)去噪外算法很難對(duì)該噪聲產(chǎn)生影響,因此是最難處理的噪聲信號(hào).表4為不同噪聲類型系數(shù)對(duì)10 dB白噪聲識(shí)別精度的影響,取S10=0.1.由表4可見(jiàn),本文算法可有效識(shí)別白噪聲.

表4 白噪聲下不同噪聲系數(shù)對(duì)識(shí)別精度的影響Table 4 Effect of different factors on the recognition accuracy under the white noise

在噪聲測(cè)試中,對(duì)NOISEX-92中規(guī)定的標(biāo)準(zhǔn)噪聲全部進(jìn)行算法有效性的測(cè)試.實(shí)驗(yàn)中應(yīng)用15種噪音類型,分別為babble,buccaneer1,buccaneer2,destroyerengniner,destroyerops,f16,factory1,factory2,hfchannel,leopard,m109,machinegun,pink,volvo和white.針對(duì)不同種類和不同強(qiáng)度的噪聲對(duì)算法進(jìn)行測(cè)試.測(cè)試結(jié)果表明,本文提出的基于分段DRA方法對(duì)連續(xù)語(yǔ)音特征向量進(jìn)行了優(yōu)化,提出的方法不僅在實(shí)驗(yàn)室環(huán)境下體現(xiàn)了良好的噪音魯棒性,在噪音環(huán)境下算法仍比原方法有效,表5列出了15種不同噪音下的平均識(shí)別精度.在各種噪聲中,相同的信噪比環(huán)境下,白色噪聲和氣泡噪聲的識(shí)別精度最低,汽車噪音下的識(shí)別精度最高.在不同噪聲下,算法對(duì)噪聲類別的影響系數(shù)均設(shè)置為0,如果針對(duì)不同的噪聲取不同的噪聲系數(shù),識(shí)別結(jié)果的均值在10 dB情況下比表5中給出的結(jié)果約高10%,但由于實(shí)際環(huán)境中噪聲復(fù)雜,所以本文未針對(duì)不同噪音系數(shù)下給出系數(shù)值和相應(yīng)的結(jié)果.表5中結(jié)果所有的噪音系數(shù)均為0.

表5 不同信噪比下的識(shí)別精度Table 5 Recognition accuracy at different SNR

綜上所述,本文從歸一化方法出發(fā),通過(guò)分析歸一化方法在孤立詞中應(yīng)用的優(yōu)勢(shì)和噪聲對(duì)語(yǔ)音特征的影響,發(fā)現(xiàn)了歸一化方法在連續(xù)語(yǔ)音特征曲線調(diào)整時(shí)存在的問(wèn)題,并根據(jù)問(wèn)題提出了優(yōu)化解決方案,同時(shí),進(jìn)一步解決了噪聲的不穩(wěn)定性及不可預(yù)測(cè)性對(duì)語(yǔ)音特征的影響.

[1] 鐘金宏,楊善林,徐士林.三字詞語(yǔ)調(diào)的模糊識(shí)別方法 [J].系統(tǒng)工程與電子技術(shù),2000,22(12):69-72.(ZHONG Jinhong,YANG Shanlin,XU Shilin.Fuzzy Recognition of Three Words and Intonation [J].Systems Engineering and Electronics,2000,22(12):69-72.)

[2] Lev-Ari H,Ephraim Y.Extension of the Signal Subspace Speech Enhancement Approach to Colored Noise [J].IEEE Signal Processing Letters,2003,10(4):104-106.

[3] 金銀燕,于鳳琴,何艷.基于時(shí)頻分布與MFCC的說(shuō)話人識(shí)別 [J].計(jì)算機(jī)系統(tǒng)應(yīng)用,2012,21(4):189-190.(JIN Yinyan,YU Fengqin,HE Yan.Based on the Speaker Recognition of Frequency Distribution and MFCC [J].Computer Systems and Applications,2012,21(4):189-190.)

[4] 胡堅(jiān),樊可清.基于歸一化互相關(guān)法的聲學(xué)回聲消除及仿真 [J].微計(jì)算機(jī)信息,2010,4(1):186-187.(HU Jian,FAN Keqing.Based on Acoustic Echo Normalized Cross-Correlation Method of Elimination and Simulation [J].Microcomputer Information,2010,4(1):186-187.)

[5] SUN Yiming.A Study on Noise Robust Continuous Speech Recognition System Using Block Based Dynamic Range Adjustment [D].[S.l.]:Graduate School of Information Science and Technology of Hokkaido University,2012:25-27.

[6] 韓紀(jì)慶,張磊,鄭鐵冉.語(yǔ)音信號(hào)處理 [M].北京:清華大學(xué)出版社,2004:98-102.(HAN Jiqing,ZHANG Lei,ZHENG Tieran.Speech Signal Processing [M].Beijing:Tsinghua University Press,2004:98-102.)

[7] 龐全,陳晨方,楊翠容.基于美爾倒譜系數(shù)和復(fù)雜性的語(yǔ)種辨識(shí) [J].計(jì)算機(jī)工程,2008,34(19):203-204.(PANG Quan,CHEN Chenfang,YANG Cuirong.Based Mel Cepstral and Complexity of Language Identification [J].Computer Engineering,2008,34(19):203-204.)

[8] 倪崇嘉,劉文舉.漢語(yǔ)大詞匯量連續(xù)語(yǔ)音識(shí)別系統(tǒng)研究進(jìn)展 [J].中文信息學(xué)報(bào),2009,23(1):56-57.(NI Chongjia,LIU Wenju.Progress Identification System Chinese Large Vocabulary Continuous Speech [J].Journal of Chinese Information,2009,23(1):56-57.)

[9] 袁里馳.基于改進(jìn)的隱馬爾科夫模型的語(yǔ)音識(shí)別方法 [J].中南大學(xué)學(xué)報(bào),2008,39(6):23-26.(YUAN Lichi.Improved Voice Recognition Method Based on Hidden Markov Models [J].Journal of Central South University,2008,39(6):23-26.)

(責(zé)任編輯：韓 嘯)

NoiseRobustContinuousSpeechRecognitionBasedonNormalization

LIU Yanxiu1,SUN Yiming2,YANG Huamin2

(1.OfficeofAcademicAffairs,ChangchunUniversity,Changchun130022,China;2.Collegeof
ComputerScienceandTechnology,ChangchunUniversityofScienceandTechnology,Changchun130022,China)

Analyzing the impact of normalization method applied in isolated word speech dominant and noise characteristics to discover the continuous speech characteristic curve adjustment problems.The authors raised optimized solutions to further solve the problem of instability and unpredictability of the noise characteristics for voice effects.Robust continuous speech recognition model by normalization method in this paper can achieve a clean environment in the laboratory and real noise environment so as to get the best recognition results.

normalization;noise-robust;continuous speech recognition

10.13413/j.cnki.jdxblxb.2015.03.32

2014-12-18. *“吉林省計(jì)算機(jī)學(xué)會(huì)2015年學(xué)術(shù)年會(huì)(JLPCF2015)”征集論文.

劉妍秀(1984—),女,漢族,碩士,實(shí)驗(yàn)師,從事計(jì)算機(jī)語(yǔ)音識(shí)別的研究,E-mail:klxx123456@163.com.

吉林省自然科學(xué)基金(批準(zhǔn)號(hào)：20140101227JC).

TP319

：A

：1671-5489(2015)03-0519-06