1、GMM-HMM聲學(xué)模型在語(yǔ)音識(shí)別技術(shù)中取得了巨大的成功，但隨著語(yǔ)音數(shù)據(jù)量的增加，數(shù)據(jù)的復(fù)雜性也越來(lái)越大，訓(xùn)練時(shí)間也越來(lái)越長(zhǎng)。同時(shí)，由于高斯混合模型(Gaussian Mixture Model，簡(jiǎn)稱GMM)是一個(gè)淺層模型，在復(fù)雜數(shù)據(jù)上的構(gòu)建模型能力明顯存在著不足，需要找到一種對(duì)數(shù)據(jù)建模能力更強(qiáng)的聲學(xué)建模方法，而深度神經(jīng)網(wǎng)絡(luò)在聲學(xué)模型建模上就具備了這種能力。此外，在特征提取方面，梅爾頻率倒譜系數(shù)(Mel-Frequency Cepstra

2、l Coefficients，簡(jiǎn)稱MFCC)是一種在語(yǔ)音識(shí)別過程廣泛使用的特征，但由于其計(jì)算時(shí)進(jìn)行了去相關(guān)或者降維處理，勢(shì)必造成部分信息的丟失。所以，本文還實(shí)驗(yàn)了對(duì)數(shù)域的Mel濾波器的輸出為聲學(xué)特征，即Filter-bank特征(簡(jiǎn)稱Fbank)，F(xiàn)bank特征包含有更多的語(yǔ)音信息可用于之后的訓(xùn)練。
　　本文完成了一個(gè)深度神經(jīng)網(wǎng)絡(luò)模型語(yǔ)音識(shí)別系統(tǒng)，主要工作包括:
　　(1)搭建Kaldi語(yǔ)音識(shí)別系統(tǒng)開發(fā)平臺(tái)，編譯源代碼，配置

3、運(yùn)行環(huán)境，安裝CUDA并行計(jì)算架構(gòu)，使用GPU加速深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程;
　　(2)在中文DNN語(yǔ)音識(shí)別系統(tǒng)開發(fā)平臺(tái)上訓(xùn)練單音子模型，并在此模型上優(yōu)化訓(xùn)練三音子模型，以三音子模型為基礎(chǔ)訓(xùn)練和測(cè)試中文深度神經(jīng)網(wǎng)絡(luò)模型識(shí)別性能;
　　(3)進(jìn)行聲學(xué)特征實(shí)驗(yàn)，對(duì)分別使用MFCC特征和Fbank特征的DNN模型進(jìn)行訓(xùn)練解碼;對(duì)濾波器組加密處理，提取不同維度的Fbank特征，用于訓(xùn)練DNN模型;濾波器組相同的情況下，增加Fbank特征

4、幀數(shù)，用于訓(xùn)練DNN模型。
　　實(shí)驗(yàn)結(jié)果顯示:DNN模型在有限語(yǔ)音訓(xùn)練數(shù)據(jù)條件下的詞錯(cuò)率WER(WordError Rate)與傳統(tǒng)GMM模型相比有12.05％的絕對(duì)降低(28.02％降至15.97％)以及43％的相對(duì)降低;采用Fbank特征與MFCC特征的DNN模型的詞錯(cuò)率WER相比有0.86％的絕對(duì)降低(15.97％降至15.11％)以及5.38％的相對(duì)降低;Fbank特征進(jìn)行濾波器組加密處理訓(xùn)練DNN模型的詞錯(cuò)率WER的最好