摘要
我们提出了一种在隐马尔可夫模型（HMM）框架下，采用无格点最大互信息（Lattice-Free Maximum Mutual Information, LF-MMI）目标函数进行端到端训练声学模型的研究工作。所谓端到端训练，指的是在单一阶段内对一个单一的深度神经网络（DNN）进行从零开始的训练，无需依赖先前训练好的模型、强制对齐信息，也无需构建状态绑定决策树。我们采用完整的双音素（full biphones）结构，在不依赖树结构的情况下实现上下文相关建模，并证明所提出的端到端LF-MMI方法在多个知名的大词汇量任务上可取得与传统LF-MMI相当的性能表现。此外，我们还将该方法与其他端到端模型（如基于字符的CTC）在无词典（lexicon-free）设置下进行了对比，结果表明，在不同大词汇量任务上，词错误率（Word Error Rate, WER）相对降低了5%至25%，同时所使用的模型规模显著减小。