自动语音识别(Automatic Speech Recognition,ASR)是一种利用计算机将人类的语音转换为文本的技术。近年来,端到端语音识别系统成为了研究热点。语音中的各种因素影响着语音识别系统的表现,包括由语速快和发音不准确引起的声音上的变化,以及口语表达和不连贯等语言上的变化等。在语音的声学建模中,语速,尤其是较快语速,被认为是影响语音识别性能表现的重要因素之一。语速的定义是文字或人类表达意义的语言符号在单位时间内所呈现的词汇速度。不同说话人和不同语音的语速往往有所不同,在一段语音内语速也可能是不断变化的。特别是语速较快时,往往出现某些发音不完整的现象,导致声学匹配较差。因此,在端到端语音识别系统中,如何降低语速对识别性能的影响,是一个备受关注的课题。
　　本文主要围绕端到端语音识别系统中的语速自适应问题展开研究。语速自适应方法可以根据是否需要显式的语速信息划分为两种。一种方法不需要显式的语速信息,可以根据语音本身的不同语速自适应地进行识别。基于这样的思想,本文提出了一种基于下采样的语速自适应方法,在识别系统中引入自适应下采样机制,去掉包含冗余信息的语音帧,以增强识别系统对语速自适应的能力。实验结果表明,这种方法可以在不影响在线识别系统的解码速度的前提下提升识别性能。另一种方法则需要显式的语速信息,将语速信息与语音共同输入至识别系统中,以利用语速信息获得更精确的识别结果。为了估计语速,本文提出了一种基于递归神经网络(Recurrent Neural Network,RNN)的语速估计方法,从而得到显式的语速信息,能够结合语速自适应进一步地提升模型对不同语速语音的识别能力。实验结果表明提出的方法估计出了可用于自适应过程的相对准确的语速。最后,本文利用显式语速信息实现了另一种语速自适应方法,用估计出的语速信息对语音识别系统进一步自适应,实验结果表明这种方法进一步提升了语音识别系统的正确率。