基于循环神经网络的汉语语言模型建模方法

语言模型是语音识别系统的重要组成部分,目前的主流是n-gram模型。然而n-gram模型存在一些不足,对语句中长距信息描述差、数据稀疏是影响模型性能的两个重要因素。针对不足,研究者提出循环神经网络(Recurrent Neural Network,RNN)建模技术,在英语语言模型建模上取得了较好的效果。根据汉语特点将RNN建模方法应用于汉语语言建模,并结合两种模型的优点,提出了模型融合构建方法。实验结果表明:相比传统的n-gram语言模型,采用RNN训练的汉语语言模型困惑度(Per PLexity,PPL)有了下降,在对汉语电话信道的语音识别上,系统错误率也有下降,将两种语言模型融合后,系统识别错误率更低。     

语音合成芯片在自动售货机中的应用

在当今这个科技飞速发展的信息时代，信息已经成为经济生活和社会生活的重要影响因素，传统的获取信息的方式大多只局限于借助简单的图1 自动售货机系统原理图视觉和听觉行为，即使现代的电视、电话、无线广播等信息传播途径，也由于信息量大、语音信息更新缓慢等因素造成人们得到的信息滞后，影响信息的准确性和及时性。伴随着计算机技术和数字信号处理技术的发展而发展起来的语音合成(TTS－Text to Speech)技术，以其独特的信息处理方式赢得了众多领域的应用。语音合成(文语转换)即指将文本转换成声音的技术，它是自然语音理解、计算机…