Глубокие нейронные сети для акустического моделирования в распознавании речи: общее мнение четырёх исследовательских групп

В большинстве современных систем распознавания речи для учета временной изменчивости речи используют скрытые марковские модели (HMM), а для оценки того, насколько хорошо каждое состояние HMM соответствует кадру или короткому окну кадров коэффициентов, представляющих акустический вход, применяют модели гауссовских смесей (GMM). Альтернативой является использование прямой (feed-forward) нейронной сети, которая принимает несколько кадров коэффициентов на вход и выдает апостериорные вероятности по состояниям HMM на выходе. Глубокие нейронные сети (DNN) с большим числом скрытых слоев, обучаемые с помощью недавно разработанных методов, показали превосходство над GMM на ряде бенчмарков по распознаванию речи, иногда с существенным отрывом. Эта статья дает обзор достигнутого прогресса и отражает общее мнение четырех исследовательских групп, которые недавно добились успеха в применении DNN для акустического моделирования в распознавании речи.