文献类型：期刊文章

作　　者：夏珺[1] 周湘贞[2] 隋栋[3]

Xia Jun;Zhou Xiangzhen;Sui Dong(School of Foreign Languages,Qiannan Normal University for Nationalities,Duyun 558000,China;Faculty Information Science and Technology,National University of Malaysia,Selangor 43600,Malaysia;School of Electrical and Information Engineering,Beijing University of Civil Engineering and Architecture,Beijing 102406,China)

机构地区：[1]黔南民族师范学院外国语学院,贵州都匀558000 [2]马来西亚国立大学信息科学与技术学院,马来西亚雪兰莪43600 [3]北京建筑大学电气与信息工程学院,北京102406

出　　处：《南京师大学报（自然科学版）》

基　　金：贵州省教育厅人文社科项目(2019zc116);国家自然科学青年基金项目(61702026).

年　　份：2022

卷　　号：45

期　　号：1

起止页码：104-109

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD_E2021_2022、JST、MR、RCCSE、ZGKJHX、ZMATH、核心刊

摘　　要：近几年来,智能语言处理在语言学习方面已经得到了广泛的应用,但是由于在处理语言中往往会存在网络模型优化困难、强制对其的标记数据会出现精度偏差,与以往大多数使用判别模型结合HMM混合模型进行声学模型训练的系统相比,本文提出了一种基于循环生成对抗网络的机器翻译方法,该方法主要结合生成对抗网络来训练机器翻译模型.首先,将一段语音输入神经机器翻译模块进行离散,预先变换得到MFCC特征;然后,将经过预处理的语音输入到特征提取模块并结合长时短时记忆网络循环提取语音特征;最后,将网络模型输出的语音与人工翻译的语音进行对比,并判别网络模型输出的语音特征与人工翻译的语音是否匹配,如果不匹配则继续优化生成网络.实验结果表明,我们的网络与传统的高斯核混合模型相比有明显的提升.本文方法在CSDN口令集、Rockyou口令集、Tianya口令集和Yahoo口令集中均取得了优越的结果,其中在Yahoo口令集中单词错误率降至19.5%.

关 键 词：语音识别 语言翻译 循环对抗网络  长短时记忆模块  

分 类 号：TP391]