科研之友
微信
新浪微博
Facebook
分享链接
摘要
语音识别一般只是将语音转化成文字，识别的结果是没有标点的一连串汉字，这不利于读者阅读，也会影响后续任务的处理。因此，引入语音端点检测解决上述问题。同时针对传统的语言模型N-gram存在忽略字词之间语义的相似性、训练时的参数过大等问题，提出一种以全序列卷积神经网络DFCNN作为声学模型，Transformer作为语言模型的语音识别系统。在Thchs30、ST-CMDS数据集上的实验表明，相较于DFCNN结合3-gram模型，该系统在最优模型上达到了12.8%的字符错误率，相对下降了6.9%。
-
单位北京邮电大学; 新疆工程学院
