论文复习 语音识别论文综述·NLP·语音合成 年 纸 链接 2006/06 Connectionist Temporal Classification: Labelling UnsegmentedSequence Data with Recurrent Neural Networks 2015/06 Attention-Based Models for Speech Recognition 2015/08 Listen, Attend and Spell 2016/09 Joint CTC-Attention based End-to-End Speech Recognition using Multi-task Learning 2017/07 Attention Is All You Need 2018/10 BERT: Pre-training of Deep Bidir

1．1研究的目的和意义 语音信号处理技术的进步促进了与其关联的相关学科的发展，尤其是在认知科学和人 工智能等研究领域。例如：近年来，人工神经网络的研究，其重要动力之一就是数字语音 信号处理【l】各项课题的快速发展；同时它的一些研究成果也应用于语音信号的研究中。技 术必须与应用紧密结合，现在语音识别己经在许多领域崭露头角，语音识别听写器、声控 拨号、银行信用卡查询等。这是因为，一方面语音识别技术在某些方面已经达到了实用化 的程度；另～方面用户的需求也越来越迫切。在手机、PDA等设备中可加入嵌入式语音识 别系统。目前的趋势是手持终端体积越来越小，操作要求更加简单，而利用语音进行控制 和输入则是十分理想的人机接口方式，其应用前景十分广阔。 本课题从上述研究和实用的关系出发，建立了一个非特定人孤立数字语音识别系统。 从应用角度看，该系统可以应用到移动电话上实现语音声控拨号功能，也可以应用到掌上 电脑等手持终端设备实现电话号码查询或语音控制等功能。从研究角度来看，语音识别技 术涉及多学科而且技术实现十分复杂，选择人名语音识别系统作为开展语音识别研究的入 手点是比较合理的。因为该系统结构完整、功能简洁，涵盖了语音识别技术的主要内容【2j， 有利于掌握基础理论和基本方法，为深入研究奠定了基础。 1．2国内外研究历史与现状 语音识别的研究工作大约开始于20世纪50年代，当时AT&T Bell实验室实现了第一 个可识别十个英文数字的语音识别系统一Aud巧系统。 60年代，计算机的应用推动了语音识别的发展。这时期的重要成果是提出了动态规划 (DP)和线性预测分析技术(LP)，其中后者较好地解决了语音信号产生模裂的问题，对语音 识别的发展产生了深远影响。 70年代，语音识别领域取得了突破。在理论上，LP技术得到进一步发展，动态时间规 整技术(DTW)基本成熟，特别是提出了矢量量化(VQ)和隐马尔可夫(HMM)理论。在实践 上，实现了基于线性预测倒谱和DTW技术的特定人孤立词语音识别系统【3J。 80年代，语音识别研究进一步走向深入，其显著特征是HMM模型和人工神经元网络 (AN)在语音识别中的成功应用。HMM模型的广泛应用应归功于AT＆T Bell实验室 Rabiner等科学家的努力，他们把原本艰涩的HMM纯数学模型C程序化，从而为更多研 究者了解和认识。ANN和HMM模型建立的语音识别系统，其性能相当。 进入90年代，随着多媒体时代的来临，迫切要求语音识别系统从实验室走向实用。许 多发达国家如美国、日本、韩国以及IBM，Apple，AT&T，NTT等著名公司都为语音识别系 统的实用化开发研究投入巨资【41。 早期的语音识别系统大多是按照简单的模板匹配原理工作的特定人、小词汇表、孤立 词识别系统151，这种语音识别系统的原理框图如图1．1所示。在训练阶段，用户将词汇表

自己花钱买积分在百度文库上下的，现在贡献出来

speech_transformers语音识别论文项目解释打包

CNN-DTW 语音识别论文 ASR 多种特征向量组合 人工智能

Measuring Depression Symptom Severity from Spoken Language and 3D Facial Expressions

2018 语音识别 最新论文 合作 GAN 2018 语音识别 最新论文 合作 GAN