在AI时代,语音由于比文字自然高效而更受人机交互领域的青睐。语音识别,即系统把语音信号输入转变为文字输出的过程。声学模型作为语音识别系统的核心模块,主流训练方式为深度神经网络隐马尔可夫模型(DNN-HMM)。训练声学模型是通过输入语音数据和标注文本数据对模型参数进行调优的过程。语音数据越充足,标注文本越准确,训练后模型泛化能力越强。然而现阶段存在如下问题:(1)训练数据获取难,训练数据资源匮乏。(2)人工根据语音转写标注文本时,由于键盘输入有误或者人工理解偏差,不可避免会出现少字多字错字等现象,导致标注文本数据不准确,如果将这类数据用于声学训练,会降低模型的泛化能力。(3)传统声学训练的语音数据是安静环境下录制的音频,训练得到的模型在噪声背景下往往识别率很低。针对以上三点不足,本文展开了以下工作:(1)借鉴图像识别采用加噪进行数据增强的思路,本文选取机场、汽车、街道和火车4种噪声,采用Python程序对音频数据进行了加噪处理。通过数据加噪,一是解决了训练数据的获取难题,二是模拟噪声背景的声学模型训练,提升系统在噪声环境的鲁棒性。(2)针对标注文本不正确,本文在传统强制对齐(将语音和标注文本对齐的操作,属于文语对齐方式的一种)基础上,采用前向算法和后向算法,先对语音进行一次识别,将结果以词图形式储存,采用后验概率做搜索结果确认后,将语音识别结果与标注文本进行对比,剔除错误率较高的标注文本数据和相应音频数据,将剩余数据用作模型训练,我们将这一文语对齐方式称作词图对齐。(3)依据音频数据是否加噪和标注文本是否词图对齐,本文进行了加噪实验和对齐实验。实验结果显示,两组方法无论是单独使用,还是结合使用,都会一定程度提升语音识别系统的识别率,说明本文方法确实具备可行性。