基于迁移学习的端到端发音检错研究

自动发音检错是为了满足第二语言学习者发音练习的需求，而先进的自动发音检错系统通常取决于声学模型识别率。随着深度学习技术的发展，端到端声学模型算法已经逐渐成熟，为发音检错算法研究提供的新思路。本文首先构建了基于连接时序分类(Connectionist Temporal Classification, CTC)算法的端到端发音检错声学模型架构。其次，基于二语迁移现象，L2发音往往带有其母语的音素特征，本文利用迁移学习算法提高基于母语的声学模型性能，从而提高发音检错准确率。通过迁移中文母语音素特征的声学模型相比于只使用英文母语的声学模型在错误音素率上有所下降，并且训练时间减少了7.3%。在发音检错性能上检错正确率提升了2.06%。