針對聲韻母相同但聲調(diào)不同的近音字識別問題和聲韻母及聲調(diào)都相同的同音字識別問題，提出在語音模型和語言模型中分別引入聲調(diào)和字轉(zhuǎn)移概率，以提高近音字和同音字的識別率。首先將聲調(diào)劃分為 5 種表現(xiàn)形式添加到漢語音節(jié)的最后一個音素中構(gòu)成新音素，使用高斯混合隱馬爾科夫模型建模新音素。然后通過統(tǒng)計方法計算特定語境下的字間轉(zhuǎn)移概率。最后使用 HTK 工具包實現(xiàn)了帶聲調(diào)的語音模型和有字轉(zhuǎn)移概率的語言模型。實驗結(jié)果證明添加聲調(diào)可以提高近音字的識別率，使用特定語境下字間轉(zhuǎn)移概率可以提高同音字的識別率。

　　語言是人類溝通的重要工具，語音識別是人工智能研究的重要領(lǐng)域。20 世紀(jì) 50 年代，貝爾實驗室設(shè)計了第一個語音識別系統(tǒng)，實現(xiàn)了對孤立數(shù)字的語音識別［1］。20 世紀(jì) 60 年代，提出了時間歸一化打分機制、音素動態(tài)跟蹤技術(shù)和動態(tài)規(guī)劃算法，有效地解決了語音信號的特征提取和不等長語音匹配問題［2］。20 世紀(jì) 70 年代，模式識別思想、線性預(yù)測編碼等技術(shù)被應(yīng)用于語音識別中，識別對象從孤立詞轉(zhuǎn)移到連續(xù)語音［3］。20 世紀(jì) 90 年代及以后，隱馬爾科夫模型（hidden markov modol， HMM）、高 斯 混 合 模 型（gaussian mixed model， GMM）被提出［4］，基于 GMM-HMM 的語音識別框架得到廣泛使用和研究，文獻(xiàn)［5］通過改進(jìn)語音特征參數(shù)相鄰幀的相關(guān)性，進(jìn)一步提高 GMM-HMM 的準(zhǔn)確度；文獻(xiàn)［6-7］使用 GMM-HMM 識別了連續(xù)語音的聲調(diào)。目前，深度學(xué)習(xí)技術(shù)也被應(yīng)用于語音處理系統(tǒng)［8-11］，由于它對訓(xùn)練數(shù)據(jù)和硬件資源有著極高的要求，限制了其使用范圍?，F(xiàn)代漢語是一種有聲調(diào)的特殊語音，音素和聲調(diào)組合可以構(gòu)成無數(shù)個多音字和同音字的發(fā)音。一方面，同一個漢字在不同的聲調(diào)下代表不同的意義，另一方面，相同的讀音可能代表完全不同的漢字，因此，與印歐語系的語言相比，聲調(diào)和上下文信息對漢語語音的識別具有更重要的作用［12］。本文在語音模型中添加聲調(diào)，并使用字轉(zhuǎn)移概率捕獲上下文信息，修改 HTK［13］工具包以適應(yīng)漢語語音識別問題，實驗結(jié)果證明了聲調(diào)對近音字識別的重要性，同時字轉(zhuǎn)移概率的引入能有效提高同音字識別的準(zhǔn)確率。