摘要：基于混合语言模型的语音识别系统虽然具有可以识别集外词的优点,但是集外词识别准确率远低于集内词。为了进一步提升混合语音识别系统的识别性能,本文提出了一种基于互补声学模型的多系统融合方法。首先,通过采用不同的声学建模单元,构建了两套基于隐马尔科夫模型和深层神经网络（Hidden Markov model and deep neural network,HMM-DNN）的混合语音识别系统;然后,针对这两种识别任务之间的关联性,采用多任务学习（Multi-task learning DNN,MTL-DNN）思想,实现DNN网络输入层和隐含层的共享,并通过联合训练提高建模精度。最后,采用ROVER（Recognizer output voting error reduction）方法对两套系统的输出结果进行融合。实验结果表明,相比于单任务学习DNN（Single-task learning DNN,STL-DNN）建模方式,MTL-DNN可以获得更好的识别性能;将两个系统的输出进行融合,能够进一步降低词错误率。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社