1) mandarin digit speech recognition
汉语数码语音识别
1.
Confusion between digits such as “2” and “8” has been the main error source in mandarin digit speech recognition (MDSR).
数码语音“２”与“８”等的混淆是汉语数码语音识别错误的主要来源。
2) digit speech recognition
数码语音识别
1.
Use formant trajectory to improve the performance of mandarin digit speech recognition;
用共振峰轨迹提高汉语数码语音识别性能
2.
High performance mandarin digit speech recognition (MDSR) system is developed using MFCC (mel frequency cepstrum coefficient) as the main parameter identifying the speech patterns.
提出了一个高性能的汉语数码语音识别 (MDSR)系统。
3) Chinese speech recognition
汉语音识别
5) Mandarin speech recognition
汉语语音识别
1.
Discriminative tone model training and optimal integration for Mandarin speech recognition;
汉语语音识别中区分性声调模型及最优集成方法(英文)
2.
Direct F0 incorporation for acoustic modeling in Mandarin speech recognition
汉语语音识别中基频特征的直接声学建模方法
3.
Tone modeling based on discriminative training for Mandarin speech recognition
汉语语音识别中的区分性声调建模方法
6) mandarin continuous speech recognition
汉语连续语音识别
1.
The theory of the mandarin continuous speech recognition based on DDBHMM and maximum a posterior estimation principle was discussed.
为提高汉语连续语音识别系统的性能，建立了音节间相关的半音节识别单元，并研究了基于这种单元的连续语音识别算法。
2.
In the area of mandarin continuous speech recognition,there has always been an urgent but unaddressed task to quantitatively analyze and evaluate the performance of classical Hidden Markov Model(HMM).
定量地分析与评价经典隐马尔可夫模型（Ｈｉｄｄｅｎ Ｍａｒｋｏｖ Ｍｏｄｅｌ，ＨＭＭ）的性能，是汉语连续语音识别研究中尚未解决并且亟需解决的问题。
3.
Mandarin continuous speech recognition has been done for more than 10 years.
汉语连续语音识别的研究已经进行了十多年,取得了一定的成果,但仍然有许多重大的技术问题亟待解决。
补充资料：汉语语音识别
汉语语音识别
Chinese speech recognition
·278·汉hanyu yuyin shibie汉语语音识别《Chinese sp以叉h rec雌，ition》 由计算机识别汉语语音的技术。 发展简史 语音识别的历史可以追溯到50年代，1952年K.H.L短vis用电阻、电容、电子管等分立元件，实现带通滤波器组进行语音频谱分析和匹配，10个阿拉伯数字的识别率达98%。1%0年P.L短nes等研究成功第一个计算机语音识别系统，开创了计算机语音识别的新阶段。同年，瑞典科学家 G.Fa们t提出了著名的语音产生的声源—滤波器模型，奠定了现代语音信号处理的理论基础，对语音分析、合成和识别工作起了巨大的推动作用。60年代中期，线性预测技术引人语音信号处理，提供了较为精确的声道响应估算办法。70年代初，动态时间规正匹配算法较好地解决了语音特征时域上非线性变化问题，提高了识别率。70年代中，J.K.Baker等人将隐马尔可夫模型(HMM)应用到语音识别领域，由于HMM既可描述语音的瞬态特性，又可描述语音的动态转移特性，合理地反映了语音的统计特征，在语音识别中获得极大成功，已成为当今语音识别的主流算法。近来，人工神经网络的自适应性和自学习能力对改善语音识别系统的健壮性和容错性有很大好处，受到重视。这方面研究工作集中在寻求能反映语音瞬态特性，动态特性和多变特性的神经网络，其中Carnegle Mellon大学A.waibel在1989年提出的时间延迟神经网络(TDNN)是成功的例子。人对语音识别的能力是任何机器难以比拟的，特别在极低信噪比的情况下，机器识别率很差，而人耳仍能保持较高识别率，因此，在听觉机理的生理、心理研究基础上，提出了各种听觉模型，用听觉模型提取的参数用于语音识别，抗噪能力明显增强，这是语音识别不容忽视的一个重要方面。语音识别进人大词汇、连续语音识别时，首先识别声学信息，再利用语言学的知识，诸如词法、句法、语义、对话背景等知识，来帮助机器提高识别率和理解能力，特别是从已识别的语音串中挑选出正确的词句来，有重要作用。因此，语言模型的研究成为语音识别和理解的一个不可分割的后继部分(参见语音识别中的语言模型)。目前语言模型有两种，一种是基于知识规则的方法建立模型，需要有庞大的专家知识库，句法一语义分析规则十分繁复。另一种是从大量语料中统计出词搭配的概率，构成语言统计模型，利用概率分布来缩小语音识别的搜索范围和纠正误识错误。语言统计模型不但可将建立语言模型的巨大工作量由计算机负担，而且和识别模型的联接更为直接和简单，已为越来越多的语音识别系统所采用(参见汉语语音理解)。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条