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
! x( [1 T$ u/ @4 v+ j
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． 8 M/ `. C9 Y1 `9 t1 N/ [+ j. x
- q& U4 x6 I6 J. J9 X* A
( p" ~2 v9 P1 [* R) ]+ l$ |) ]7 ^1 a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
# S) ], R- k0 u! t1 c
8 k2 z$ [3 h7 x0 r( Z8 M f, F
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．
- \3 k. K' M2 ]: q
, e6 W/ s+ F( R: z; G6 f* m/ C5 D$ i) w# j8 A$ C
附件下载：: j/ |, n: f R3 t6 I! w' m% I
' {3 J3 L/ }9 Q c- E! w0 T
|
|
/1 
发表于 2021-4-7 09:49
收藏
淘帖
支持！
反对！