基于REMOS的远距离语音识别模型补偿方法

封闭环境中远距离语音识别会受到混响效果的影响，从而降低语音识别率。混响建模(reverberationmodelingforspeechrecognition，REMOS)是一种在模型域进行混响补偿的新方法，该方法在已知声源位置的情况下能有效提升远距离语音识别精度。但在实际应用中，往往难以预测声源的位置。利用最大后验概率的原理，基于对房间不同区域进行有区别补偿的思想，在按帧的隐马尔可夫模型(hiddenMarkovmodel，HMM)补偿的基础上，提出一种在封闭环境中新的模型补偿方法。该方法利用K均值聚类K-means算法对房间冲击响应(roomimpulseresponse，RIR)的优化集进行聚类，对所属相同类的混响模型进行合并处理，再把合并后的混响模型载入维特比算法中，对清晰语音的HMM模型进行按帧补偿。最后采用后验概率方法选择最佳补偿，使得模型域的混响补偿能最接近精确补偿。实验证明，该方法能进一步提升远距离语音识别的精度。