低信噪比下基于融合网络的音素识别方法

摘要

针对低信噪比下音素识别准确率低的问题，提出一种新的识别方法。提取语音的Fbank特征，输入到由多头注意力机制、ResNet、BLSTM、CTC构建的A-R-B-CTC模型中进行音素识别，利用Wave-U-Net对语音特征Fbank、MFCC、GFCC、对数频谱进行图像去噪，发现Fbank特征去噪后，可以取得更低的音素错误率。在0 dB白噪声环境下采用THCHS30数据集进行实验验证。结果表明，Fbank去噪前，所提A-R-B-CTC模型相比于BLSTM-CTC、ResNet-BLSTM-CTC、Transformer模型，平均音素错误率分别降低了4.38%、2.5%、1.96%;Fbank去噪后，4种模型的音素错误率明显下降，其中所提A-R-B-CTC模型相比于其他3种模型性能依旧出色。此外，在其他信噪比下也达到了不错的效果。

关键词

音素识别 / Wave-U-Net / 端到端 / 多头自注意力机制 / Transformer模型