语音识别

语音识别通常是用如图 1 所示的系统构建的。传统的语音识别技术使用称为GMM-HMM的声学模型，它是GMM和HMM的混合体（图2，*1）。此后深度学习开始流行，深度学习从较早的阶段就开始应用于语音识别。

从2011年左右开始，最初有两种方法：Tandem型和DNN-HMM混合型，但现在DNN-HMM（使用DNN代替GMM的声学模型）已成为主流（图2）。此外，如图3所示，虽然从2000年到2010年语音识别准确率几乎持平，但此后随着深度学习的普及，准确率迅速提高（指标为Word Error Rate：WER）*2。看来即使在目前的产品开发水平上也经常采用这种方法。

另外，从2016年左右开始，一种名为端到端语音识别的新系统迅速兴起，并已成为研究层面的主流。

此外，情绪识别作为一种基于音频信号的技术正在变得越来越普遍，并且事实证明，估计老年人的情绪可能有助于提高护理质量。*3。

​

*1. Yu等人，基于深度循环神经网络的发音和频谱信息融合，2019

​

*2.http://www.iro.umontreal.ca/~bengioy/talks/KDD2014-tutorial.pdf

​

*3. Hirooka 等人，护理对象言语和情感数据库的构建，日本声学学会会议录，2-Q-9，第 1059-1060 页，2018 年