TA的每日心情 | 慵懒 2020-8-28 15:16 |
---|
签到天数: 3 天 [LV.2]偶尔看看I
|
EDA365欢迎您登录!
您需要 登录 才可以下载或查看,没有帐号?注册
x
) ^: l' p& k% F' Q. w# e: U' E摘 要: 为提高自动发音错误检测性能,提出一种区分性特征补偿训练算法.该方法将高斯后验概率矢量经过 线性变换后作为偏移量补偿至传统的谱特征.将经过正确度标注的语音数据库上的发音错误检测 F1值的最大化作 为变换参数的训练准则.推导了目标函数对变换参数的偏导数公式,并利用无约束参数优化例程 LBFGS更新变换参 数.发音错误检测实验表明该方法能够有效增大训练和测试集的 F1值.并且训练和测试集的精确度、召回率也都有 明显提高.在特征优化的基础上进行模型参数训练,检错性能较单独的区分性特征训练、单独的区分性模型训练都有 进一步改进.
/ T9 Q- e' O; n' _- ^# R2 e5 M6 G8 t1 q0 @
, p1 D( u$ i' C) x关键词: 自动发音错误检测;F1值;区分性训练;特征;计算机辅助语言学习
Y) E. T1 ~; g: o: o8 Y
- z" U: ?4 ]6 {7 z
/ K" u! p, Q+ }. L2 d 计算机辅助语言学习是利用语音语言技术辅助学 生学习语言的技术,自动发音错误检测是其中一个重要 形式,其目的在于自动指出说话人的发音错误.近年来, 各机构都展开了研究,产生了一系列方法[1~9].发音错 误检测总体上基于语音识别技术,在声学模型的建立方 面,尽管研究人员对不同的模型进行了尝试[1,7,8,9],高 斯混 合 模 型隐 马 尔 可 夫 模 型 (HiddenMarkovModel, HMM)仍是常用建模方法,而 GOP(GoodnessofPronuncia tion)[2]则是描述发音定量得分的经典算法.- p" ~+ w; \$ g3 @
) s4 e( B5 H# `( `' z2 t
1 a/ \" { |/ Q C" h# k$ o" ?5 ~
附件下载:
; _" T- K' a. d, Y
( m8 P! ~5 v' m0 z4 c& K2 q0 q |
|