%0 Journal Article %A RYAD Chellali %A 姚煜 %T 基于双向长短时记忆联结时序分类和加权有限状态转换器的端到端中文语音识别系统 %D 2018 %R 10.11772/j.issn.1001-9081.2018020402 %J 计算机应用 %P 2495-2499 %V 38 %N 9 %X 针对隐马尔可夫模型(HMM)在语音识别中存在的不合理条件假设,进一步研究循环神经网络的序列建模能力,提出了基于双向长短时记忆神经网络的声学模型构建方法,并将联结时序分类(CTC)训练准则成功地应用于该声学模型训练中,搭建出不依赖于隐马尔可夫模型的端到端中文语音识别系统;同时设计了基于加权有限状态转换器(WFST)的语音解码方法,有效解决了发音词典和语言模型难以融入解码过程的问题。与传统GMM-HMM系统和混合DNN-HMM系统对比,实验结果显示该端到端系统不仅明显降低了识别错误率,而且大幅提高了语音解码速度,表明了该声学模型可以有效地增强模型区分度和优化系统结构。 %U http://www.joca.cn/CN/10.11772/j.issn.1001-9081.2018020402