AB Data

基于-的声学模型尽管具有拟合任意复杂分布的能力但它也有一个严重的缺陷即对非线性数据建模效率低下。因此很久以前相关研究人员提出采用人工神经网络代替建模状态后验概率。但是由于当时计算能力有限很难训练两层以上的神经网络模型所以其带来的性能改善非常微弱。

世纪以来机器学习算法和计算机硬件的发展使得训练多 隐层的神经网络成为可能。实践表明在各种大型数据集上都取得了远超过的识别性能。因此-替代-成为目前主流的声学建模框架。 端到端模型传统语音识别系统的声学建模一般通过发音单元、声学模型、词典等信息源建立从声学观察序列到单词之间的联系。

每一部分都需要单独的学习、训练步骤较为烦琐。端到端--,结构使用一个模型把这个信息源囊括在一起实现从观察序列到文字的直接转换。最新的一些进展甚至把语言模型的信息也囊括进来取得了更好的性能。自年以来端 牙买加电话号码列表 到端模型日益成为语音识别的研究热点。

语言模型 主流语言模型一般采用基于统计的方法通常是概率模型。计算机借助于模型参数可以估计出自然语言中每个句子出现的可能性。统计语言模型采用语料库训练得到强调语料库是语言知识的源泉通过对语料库进行深层加工、统计和学习获取自然语言文本中的语言学知识从而可以客观地描述大规模真实文本中细微的语言现象。

-模型 -统计语言模型由于其简单、容易理解等优点在很多领域得以广泛使用。 基于神经网络的语音模型 包括种常见的语言模型：前馈神经网络语言模型、循环神经网络语言模型以及长短期记忆的循环神经网络语音模型。