针对低资源环境下由于标注训练数据不足、造成语音识别系统识别率急剧下降的问题

提出一种采用长短时记忆网络的低资源语音识别(LSTM-LRASR)方法。该方法采用长短时记忆网络构建声学模型

从特征提取、数据扩展及模型优化3个方面提高低资源语音识别性能。在特征提取方面

提取语言无关的高层稳健特征参数

降低声学模型对训练数据的依赖;在数据扩展方面

对已有标注数据进行语速扰动

对无标注数据进行自动识别

从而自动获取更多标注数据;在模型优化方面

通过序贯区分性训练技术提高模型对易混淆音素的区分能力

利用最小风险贝叶斯解码对多个系统进行融合

进一步提高识别性能。对OpenKWS16评测数据的实验结果表明

采用LSTMLRASR方法搭建的低资源语音识别系统的词错率相对基线系统下降了29.9%

所有查询词的查询项权重代价提升了60.3%。