鄭永軍 張連海

（解放軍信息工程大學(xué)信息系統(tǒng)工程學(xué)院，鄭州，450001）

引 言

關(guān)鍵詞識(shí)別（Keyword recognition，KWR），亦稱(chēng)關(guān)鍵詞檢測(cè)（keyword spotting，KWS）［1］，是指在語(yǔ)音數(shù)據(jù)中查找到所有可能出現(xiàn)的給定詞的過(guò)程。語(yǔ)音關(guān)鍵詞檢測(cè)技術(shù)被看作是能有效處理口語(yǔ)和實(shí)現(xiàn)人機(jī)智能通信的解決方案之一［2］。目前KWS面臨的一個(gè)主要挑戰(zhàn)是集外詞（Out－of－vocabulary，OOV）的檢測(cè)。集外詞是指那些不在系統(tǒng)字典里的詞。出現(xiàn)集外詞的原因是由于系統(tǒng)詞表有一個(gè)固定的大小，不能覆蓋全部的詞匯，隨著人類(lèi)語(yǔ)言的變化發(fā)展，會(huì)產(chǎn)生更多的新詞，這些詞都是集外詞，而它們也是人們關(guān)注的關(guān)鍵詞。OOV的檢測(cè)性能相比集內(nèi)詞有一定差距，主要是因?yàn)镺OV具有很高的發(fā)音不確定性和多樣性，并且發(fā)音的不確定性很難通過(guò)聲學(xué)和語(yǔ)言學(xué)模型來(lái)建模［3］。

解決OOV檢測(cè)問(wèn)題的常用方法是應(yīng)用子詞建模單元，例如：音素、音節(jié)、字形（Grapheme）、字形音素對(duì)（Graphone）和詞片段（Word－fragment）等，首先將集外詞轉(zhuǎn)換為子詞序列，然后將這些子詞序列在先前創(chuàng)建的索引中檢索。文獻(xiàn)［4］根據(jù)聲學(xué)混淆度和語(yǔ)言模型得分將集外詞擴(kuò)展為集內(nèi)詞，彌補(bǔ)集外詞的識(shí)別錯(cuò)誤。文獻(xiàn)［5］提出了動(dòng)態(tài)匹配詞格檢索（Dynamic match lattice spotting，DMLS）方法，將基于音素Lattice的快速檢測(cè)和動(dòng)態(tài)序列匹配技術(shù)融合在一起，實(shí)現(xiàn)了快速而準(zhǔn)確的關(guān)鍵詞開(kāi)集檢測(cè)。文獻(xiàn)［6］應(yīng)用聯(lián)合最大熵N元模型進(jìn)行查詢(xún)擴(kuò)展，提升了語(yǔ)音文檔檢索的性能。文獻(xiàn)［7］采用隨機(jī)發(fā)音建模方法補(bǔ)償集外詞發(fā)音的不確定性，在索引中檢測(cè)集外詞所有可能的發(fā)音。文獻(xiàn)［8］提出了前后綴查詢(xún)擴(kuò)展方法，并引入有窮自動(dòng)機(jī)壓縮檢索空間，實(shí)現(xiàn)了高效的中文語(yǔ)音檢索。文獻(xiàn)［9－11］將多種語(yǔ)音索引系統(tǒng)融合在一起，應(yīng)用不同子詞建模單元間的互補(bǔ)性來(lái)提升集外詞檢測(cè)的性能。

動(dòng)態(tài)匹配應(yīng)用最小編輯距離（Minimum edit distance，MED）作為置信度，在檢索時(shí)允許一定的誤匹配，替換、插入和刪除錯(cuò)誤代價(jià)通過(guò)音素混淆矩陣得到，主要應(yīng)用的是聲學(xué)信息。而查詢(xún)擴(kuò)展通常是創(chuàng)建與集外詞相關(guān)的多種發(fā)音，應(yīng)用的是字形和發(fā)音之間的對(duì)應(yīng)信息，沒(méi)有應(yīng)用聲學(xué)信息。兩者是在不同的層面補(bǔ)償集外詞發(fā)音的不確定性，理論上存在一定的互補(bǔ)性，基于此，本文將查詢(xún)擴(kuò)展和動(dòng)態(tài)匹配融合在一起解決集外詞的檢測(cè)問(wèn)題。首先利用DMLS方法搭建一個(gè)關(guān)鍵詞檢測(cè)系統(tǒng)，然后分析研究基于聯(lián)合多元模型（Joint－multigram model，JMM）［12－13］的查詢(xún)擴(kuò)展和基于 MED 的動(dòng)態(tài)匹配，最后將查詢(xún)擴(kuò)展和動(dòng)態(tài)匹配融合在一起，采用了兩種融合方法，一種是結(jié)果融合，另一種是置信度融合。實(shí)驗(yàn)結(jié)果表明二者的融合提升了系統(tǒng)性能。

1 基于DMLS的關(guān)鍵詞檢測(cè)系統(tǒng)

基于DMLS的關(guān)鍵詞檢測(cè)系統(tǒng)框架如圖1所示。

圖1 基于DMLS的關(guān)鍵詞檢測(cè)系統(tǒng)框架Fig.1 Architecture of keyword spotting system based on DMLS

索引階段首先采用BUT的連續(xù)語(yǔ)音識(shí)別系統(tǒng)［14］生成音素Lattice，音素Lattice提供了每個(gè)語(yǔ)音片段詳細(xì)的音素表示形式，然后執(zhí)行一個(gè)改進(jìn)的維特比算法遍歷Lattice來(lái)創(chuàng)建一個(gè)固定長(zhǎng)度的音素序列數(shù)據(jù)庫(kù)（Sequence database，SDB），作為后續(xù)檢索操作的索引。后端檢索階段為研究的重點(diǎn)，本文主要研究集外詞的檢測(cè)。當(dāng)一個(gè)集外詞查詢(xún)項(xiàng)提交給系統(tǒng)時(shí)，首先應(yīng)用聯(lián)合多元模型將集外詞擴(kuò)展為n－best發(fā)音的表示形式，并得到其發(fā)音的概率得分。其次，采用基于最小編輯距離的動(dòng)態(tài)匹配確定與查詢(xún)項(xiàng)發(fā)音近似匹配的音素序列。最后根據(jù)查詢(xún)擴(kuò)展和動(dòng)態(tài)匹配的不同融合方法得到檢測(cè)結(jié)果。

2 融合查詢(xún)擴(kuò)展和動(dòng)態(tài)匹配的改進(jìn)

2.1 基于JMM的查詢(xún)擴(kuò)展

一個(gè) LTS（Letter－to－sound）模型通常被定義為字形G＝（g1，g2，…，gL）和發(fā)音Q＝（q1，q2，…，qR）兩個(gè)符號(hào)序列之間的隨機(jī)映射。字形和發(fā)音是在同樣的社會(huì)背景下發(fā)展起來(lái)的兩個(gè)系統(tǒng)，兩者之間具有緊密的聯(lián)系，遵循不同的規(guī)則。字形和發(fā)音間的對(duì)應(yīng)關(guān)系定義為字形和發(fā)音序列間的映射，其分量被稱(chēng)為字音對(duì)（Grapheme－phoneme pair）。最簡(jiǎn)單的映射為一個(gè)音素對(duì)應(yīng)一個(gè)字形，如果字形和發(fā)音長(zhǎng)度不同，可以插入空字符，此外多對(duì)多的映射也是合理的，例如圖2給出了詞“speaking”的字形和發(fā)音的對(duì)應(yīng)關(guān)系。

圖2 詞“speaking”的字形和發(fā)音對(duì)應(yīng)關(guān)系Fig.2 Grapheme－phoneme correspondence of the word"speaking"

JMM的基本思想是對(duì)字形和發(fā)音的聯(lián)合概率進(jìn)行建模。多元Multigram是一個(gè)符號(hào)序列，長(zhǎng)度可以為0，1或是更長(zhǎng)。一個(gè)字音對(duì)包含一個(gè)字形多元和一個(gè)音素多元，因此也被稱(chēng)為聯(lián)合多元。按照文獻(xiàn)［12］的定義，一個(gè)聯(lián)合多元u＝被稱(chēng)為graphone，其中為字形分量，為音素分量。字形和發(fā)音的對(duì)應(yīng)關(guān)系用U表示，實(shí)際為一個(gè)graphone序列，表示為

式中H為graphone的長(zhǎng)度和要滿(mǎn)足如下約束

式中：符號(hào)∧表示連接；L和R分別為字形和音素序列的長(zhǎng)度和包含長(zhǎng)度可變的符號(hào)。字形和發(fā)音的映射可以用graphone來(lái)描述。為了描述字形發(fā)音映射的隨機(jī)屬性，可以對(duì)U的概率分布進(jìn)行建模，即聯(lián)合多元模型，通常表示為

在JMM中，字形G和發(fā)音Q的聯(lián)合概率為所有可能graphone序列的概率總和，表示為

式中G（U）和Q（U）分別為對(duì)應(yīng)于U的字形和音素序列。那么發(fā)音預(yù)測(cè)公式為

式中P（U）可以應(yīng)用標(biāo)準(zhǔn)的n元語(yǔ)言模型建模，得到

本文應(yīng)用工具包Sequitur G2P［15］訓(xùn)練JMM模型，n－best發(fā)音預(yù)測(cè)解碼算法詳見(jiàn)文獻(xiàn)［12］。應(yīng)用JMM模型可以將集外詞查詢(xún)項(xiàng)term擴(kuò)展為其n－best發(fā)音的表示形式（Q1，P（Q1｜G）），…，（Qn，P（Qn｜G）），Qi為一個(gè)發(fā)音，P（Qi｜G）為其相應(yīng)的發(fā)音得分，代表這一發(fā)音的概率。以詞“bungalow”的查詢(xún)擴(kuò)展為例，如表1所示。每一個(gè)發(fā)音Qi的置信度可以用其發(fā)音得分的對(duì)數(shù)表示，如式（7）所示。在集外詞檢測(cè)時(shí)，如果在索引中同一時(shí)段內(nèi)檢測(cè)到查詢(xún)項(xiàng)term的多個(gè)發(fā)音時(shí)，將檢測(cè)結(jié)果合并并分配最大的發(fā)音得分置信度，如式（8）所示。

表1 詞“bungalow”的查詢(xún)擴(kuò)展Table 1 Query expansion of the word″bungalow″

2.2 基于MED的動(dòng)態(tài)匹配

在語(yǔ)音識(shí)別中，經(jīng)常會(huì)出現(xiàn)替換、插入和刪除錯(cuò)誤（見(jiàn)圖3），并且集外詞出現(xiàn)識(shí)別錯(cuò)誤的概率更高，這嚴(yán)重影響關(guān)鍵詞檢測(cè)的性能。因此在檢索中采用動(dòng)態(tài)匹配，應(yīng)用最小編輯距離作為置信度，允許一定的誤匹配來(lái)補(bǔ)償識(shí)別錯(cuò)誤。

最小編輯距離又稱(chēng)為L(zhǎng)evenshtein距離，主要用于度量將一個(gè)字符串轉(zhuǎn)換為另外一個(gè)字符串所付出的最小代價(jià)。這種轉(zhuǎn)換主要包含4種編輯操作：匹配、替換、插入和刪除，通常每種編輯操作都會(huì)有相應(yīng)的代價(jià)。本文應(yīng)用MED檢測(cè)和查詢(xún)項(xiàng)term的發(fā)音Q（目標(biāo)音素序列）近似匹配的索引音素序列。MED計(jì)算的核心思想是應(yīng)用一個(gè)代價(jià)矩陣來(lái)累加轉(zhuǎn)換代價(jià)，執(zhí)行一個(gè)遞推過(guò)程來(lái)更新代價(jià)矩陣的各個(gè)元素，從而確定整體的最小轉(zhuǎn)換代價(jià)。定義Φ＝（φ1，φ2，…，φN）為索引音素序列，Q＝（q1，q2，…，qM）為目標(biāo)音素序列，ΩN＋1×M＋1為N＋1×M＋1維的代價(jià)矩陣，Cs（φi，qj），Ci（φi）和Cd（qj）分別為替換、插入和刪除代價(jià)Ωi，j為代價(jià)矩陣Ω中的元素，表示將子序列變換為的最小代價(jià)。具體流程如下：

（1）初始化一個(gè)N＋1×M＋1維的代價(jià)矩陣Ω，矩陣的第一個(gè)元素Ω0，0＝0；

（2）初始化代價(jià)矩陣的第一行元素

（3）初始化代價(jià)矩陣的第一列元素

（4）從左到右從上到下依次更新代價(jià)矩陣的元素

圖3 語(yǔ)音識(shí)別常見(jiàn)錯(cuò)誤Fig.3 Common errors in speech recognition

ΩN，M即為將Φ轉(zhuǎn)換為Q的最小代價(jià)，通常情況下N≥M，所以還要執(zhí)行一個(gè)回溯算法尋找最優(yōu)路徑，并在最優(yōu)路徑上確定和Q最為近似的音素子序列Φ′，得到時(shí)間邊界信息和最小編輯距離Δ（Φ′，Q）。在DMLS中，某一檢測(cè)結(jié)果的置信度得分被簡(jiǎn)單定義為索引音素子序列Φ′和目標(biāo)音素序列Q之間距離的負(fù)值，如式（12）所示。如果CMED（Φ′，Q）在設(shè)定的閾值范圍之內(nèi)，那么Φ′就為檢測(cè)結(jié)果。

在MED的原始定義中，替換、插入和刪除的代價(jià)通常為1，不能完全反映各個(gè)音素之間識(shí)別錯(cuò)誤的規(guī)律和模糊發(fā)音現(xiàn)象。因此可以通過(guò)觀察音素識(shí)別器實(shí)際產(chǎn)生的音素錯(cuò)誤訓(xùn)練得到改進(jìn)的替換、插入和刪除錯(cuò)誤代價(jià)［16］。HTK工具包中的HResults被用于對(duì)齊訓(xùn)練集音素識(shí)別結(jié)果和參考的音素標(biāo)注，生成一個(gè)音素混淆矩陣。替換、插入和刪除錯(cuò)誤代價(jià)可以通過(guò)最大似然估計(jì)從音素混淆矩陣中訓(xùn)練得到。應(yīng)用音素混淆度加權(quán)的MED可以更好地補(bǔ)償音素識(shí)別錯(cuò)誤，從而改善關(guān)鍵詞檢測(cè)的準(zhǔn)確性。

2.3 融合查詢(xún)擴(kuò)展和動(dòng)態(tài)匹配

由上文可知，查詢(xún)擴(kuò)展和動(dòng)態(tài)匹配是在不同的層面補(bǔ)償集外詞發(fā)音的不確定性，理論上存在一定的互補(bǔ)性，可以將二者融合在一起進(jìn)行集外詞的檢測(cè)。本文研究了兩種融合方法，第一種是結(jié)果融合（如圖4所示）。分別應(yīng)用查詢(xún)擴(kuò)展和動(dòng)態(tài)匹配并行的檢測(cè)集外詞。查詢(xún)擴(kuò)展：應(yīng)用JMM將集外詞查詢(xún)項(xiàng)term擴(kuò)展為n－best發(fā)音Qi，1≤i≤n，然后將這些發(fā)音在索引中進(jìn)行精確匹配，得到檢測(cè)結(jié)果。動(dòng)態(tài)匹配：同樣是應(yīng)用JMM得到term的1－best發(fā)音Q1－best，然后在索引中采用動(dòng)態(tài)匹配，檢索和Q1－best近似的結(jié)果。最后將兩個(gè)系統(tǒng)在索引中的同一時(shí)間段內(nèi)出現(xiàn)的檢測(cè)結(jié)果合并，并分配最大的置信度得分（如式（13）），同時(shí)保留不同的檢測(cè)結(jié)果。

另外一種方法是置信度融合，最小編輯距離衡量的是查詢(xún)項(xiàng)發(fā)音（目標(biāo)音素序列）和索引音素序列間的相似度，而發(fā)音得分描述的是發(fā)音和字形之間的對(duì)應(yīng)關(guān)系，兩種置信度都是和發(fā)音相關(guān)的，且在同一個(gè)數(shù)量級(jí)上，可以將MED和發(fā)音得分融合構(gòu)成混合置信度進(jìn)行集外詞的檢出和確認(rèn)，如式（14）所示。

圖4 查詢(xún)擴(kuò)展和動(dòng)態(tài)匹配的結(jié)果融合Fig.4 Result fusion between query expansion and dynamic match

式中η為加權(quán)因子，平衡MED和發(fā)音得分兩種置信度的貢獻(xiàn)度。在實(shí)際檢測(cè)中，同一個(gè)查詢(xún)項(xiàng)term的多個(gè)發(fā)音可能會(huì)出現(xiàn)在索引中的同一時(shí)間段內(nèi)，需要合并檢測(cè)結(jié)果并分配最大的置信度得分，如式（15）所示。實(shí)驗(yàn)表明置信度融合的方法更好，有效提升了系統(tǒng)的性能。

2.4 算法步驟

（1）采用連續(xù)語(yǔ)音識(shí)別系統(tǒng)生成音素Lattice；

（2）執(zhí)行一個(gè)改進(jìn)的維特比算法遍歷Lattice來(lái)創(chuàng)建索引；

（3）應(yīng)用發(fā)音字典CMUdict訓(xùn)練JMM模型；

（4）應(yīng)用JMM模型將集外詞查詢(xún)項(xiàng)擴(kuò)展為其n－best音素發(fā)音；

（5）應(yīng)用兩種不同的融合方法在索引中檢索關(guān)鍵詞，并根據(jù)置信度閾值輸出檢測(cè)結(jié)果。

3 實(shí)驗(yàn)結(jié)果及分析

3.1 實(shí)驗(yàn)配置

本文實(shí)驗(yàn)采用TIMIT語(yǔ)料庫(kù)，主要分為T(mén)RAIN和TEST兩個(gè)文件集合。本文實(shí)驗(yàn)選擇TRAIN中3 696個(gè)語(yǔ)句作為訓(xùn)練集，選擇TEST中1 344個(gè)語(yǔ)句作為測(cè)試集，未采用其中適合于說(shuō)話人實(shí)驗(yàn)的SA1和SA2中的語(yǔ)句。TIMIT語(yǔ)料庫(kù)中共含有61個(gè)音素單元，其劃分較為精細(xì)，按照BUT的劃分標(biāo)準(zhǔn)，將TIMIT中61個(gè)音素映射為39個(gè)音素，如將塞音的成阻（Closure）和除阻（Burst）部分合并（bcl b→b）。實(shí)驗(yàn)選取的集外詞規(guī)模為100個(gè)，各關(guān)鍵詞在測(cè)試集TEST中出現(xiàn)的次數(shù)總共為344次。訓(xùn)練JMM模型應(yīng)用的是卡耐基梅隆大學(xué)的英文發(fā)音字典CMUdict，該字典共包含125 000個(gè)英文單詞，訓(xùn)練時(shí)剔除了1 832個(gè)和實(shí)驗(yàn)選取的集外詞相關(guān)的單詞。

3.2 評(píng)價(jià)標(biāo)準(zhǔn)

本文采用接收機(jī)工作特性（Receiver operating characteristics，ROC）曲線和品質(zhì)因數(shù)（Figure of merit，F(xiàn)OM）［17］作為系統(tǒng)性能的評(píng)價(jià)指標(biāo)。ROC曲線定義為不同的置信度閾值下，系統(tǒng)的召回率PRecall隨虛警率PFA的變化趨勢(shì)，反映了系統(tǒng)的綜合性能。召回率PRecall為正確的關(guān)鍵詞檢測(cè)結(jié)果數(shù)量Ncorrect占實(shí)際出現(xiàn)的關(guān)鍵詞數(shù)量Ntrue的百分比。虛警率PFA定義為虛警個(gè)數(shù)NFA被分母歸一化后的結(jié)果，H為語(yǔ)音文檔長(zhǎng)度，S為關(guān)鍵詞詞表大小，如式（16，17）所示。FOM定義為虛警率在0～10范圍內(nèi)的平均召回率，如式（18）所示。

3.3 系統(tǒng)性能比較

將基于JMM查詢(xún)擴(kuò)展的檢測(cè)方法記為CJMM，基于動(dòng)態(tài)匹配的檢測(cè)方法記為CMED，第一種融合查詢(xún)擴(kuò)展和動(dòng)態(tài)匹配的檢測(cè)方法記為CMED＋JMM，第二種融合方法記為Cfusion。表2對(duì)比了不同系統(tǒng)集外詞檢測(cè)的性能，圖5給出了相應(yīng)的ROC曲線。從圖中可以看出CMED方法優(yōu)于CJMM方法，主要是由于動(dòng)態(tài)匹配在檢索中綜合考慮了音素識(shí)別的錯(cuò)誤規(guī)律，能夠更好地補(bǔ)償集外詞的不確定性。同時(shí)，兩種方法又是在不同的層面補(bǔ)償集外詞發(fā)音的不確定性，理論上存在一定的互補(bǔ)性，實(shí)驗(yàn)結(jié)果也驗(yàn)證了這一點(diǎn)。第一種融合方法相比單一的動(dòng)態(tài)匹配，F(xiàn)OM相對(duì)提升了3.9%，說(shuō)明直接將兩種方法的檢測(cè)結(jié)果融合具有一定的互補(bǔ)性，但性能提升有限，需要進(jìn)一步進(jìn)行優(yōu)化融合方法。

在第二種融合方法中，查詢(xún)擴(kuò)展的階數(shù)n和加權(quán)因子η共同決定系統(tǒng)的最終性能。表3給出了Cfusion方法在不同擴(kuò)展階數(shù)n和加權(quán)因子η下系統(tǒng)的性能。當(dāng)查詢(xún)擴(kuò)展為2－best發(fā)音，加權(quán)因子η＝0.7時(shí)，F(xiàn)OM相對(duì)提升了19.8%，具有最優(yōu)的系統(tǒng)性能。這說(shuō)明在優(yōu)化了擴(kuò)展階數(shù)和置信度得分貢獻(xiàn)度后，第二種融合方法效果更好。另外，分析表3的實(shí)驗(yàn)結(jié)果可知在動(dòng)態(tài)匹配中已經(jīng)允許一定的誤匹配存在，如果查詢(xún)擴(kuò)展階數(shù)較大，虛警率將急劇增加，影響整體性能，當(dāng)擴(kuò)展為3－best發(fā)音時(shí)，F(xiàn)OM下降已經(jīng)非常明顯。

表2 不同系統(tǒng)集外詞檢測(cè)性能的比較Table 2 Comparison of OOV detection performance in different systems

表3 Cfusion方法在不同參數(shù)下的FOMTable 3 FOM of Cfusionmethod using different parameters

4 結(jié)束語(yǔ)

圖5 不同集外詞檢測(cè)系統(tǒng)的ROC曲線Fig.5 ROC curves of various OOV detection systems

針對(duì)關(guān)鍵詞檢測(cè)中集外詞檢測(cè)性能較低的問(wèn)題，本文提出了一種改進(jìn)的集外詞檢測(cè)方法，將基于聯(lián)合多元模型的查詢(xún)擴(kuò)展和基于最小編輯距離的動(dòng)態(tài)匹配融合在一起。本文研究了兩種融合方法：第一種方法是直接將兩者的檢測(cè)結(jié)果進(jìn)行融合，性能有一定提升；第二種方法通過(guò)引入一個(gè)加權(quán)因子η來(lái)優(yōu)化平衡最小編輯距離和發(fā)音得分置信度的貢獻(xiàn)度。實(shí)驗(yàn)結(jié)果表明，在擴(kuò)展為2－best發(fā)音，加權(quán)因子η＝0.7時(shí)，查詢(xún)擴(kuò)展和動(dòng)態(tài)匹配具有最優(yōu)的互補(bǔ)性，F(xiàn)OM相對(duì)提高了19.8%。下一步的工作重點(diǎn)是研究混合索引問(wèn)題，提升系統(tǒng)的實(shí)用性。

［1］王炳錫，屈丹，彭煊.實(shí)用語(yǔ)音識(shí)別基礎(chǔ)［M］.北京：國(guó)防工業(yè)出版社，2005：287－291.Wang Bingxi，Qu Dan，Peng Xuan.Practical fundamentals of speech recognition［M］.Beijing：National Defense Industry Press，2005：287－291.

［2］孫成立.語(yǔ)音關(guān)鍵詞識(shí)別技術(shù)的研究［D］.北京：北京郵電大學(xué)，2008：1－2.Sun Chengli.A study of speech keyword recognition technology［D］.Beijing：Beijing University of Posts and Telecommunications，2008：1－2.

［3］Wang Dong.Out－of－vocabulary spoken term detection［D］.Edinburgh：School of Informatics，University of Edinburgh，2010：9－13.

［4］Logan B，Thong J M V.Confusion－based query expansion for OOV words in spoken document retrieval［C］／／The 7th International Conference on Spoken Language Processing.Colorado，USA：ISCA，2002：1997－2000.

［5］Thambiratmann K，Sridharan S.Rapid yet accurate speech indexing using dynamic match lattice spotting［J］.IEEE Transactions on Audio，Speech，and Language Processing，2007，15（1）：346－357.

［6］Mamou J，Ramabhadran B.Phonetic query expansion for spoken document retrieval［C］／／The 9th Annual Conference of the International Speech Communication Association.Brisbane，Australia：ISCA，2008：2106－2109.

［7］Wang Dong，King S，F(xiàn)rankel J.Stochastic pronunciation modeling for out－of－vocabulary spoken term detection［J］.IEEE Transactions on Audio，Speech，and Language Processing，2011，19（4）：688－698.

［8］李偉，吳及，呂萍.基于查詢(xún)擴(kuò)展的中文語(yǔ)音高效檢索［J］.模式識(shí)別與人工智能，2011，24（4）：561－566.Li Wei，Wu Ji，LüPing.Query expansion based high performance Chinese voice retrieval［J］.Pattern Recognition and Artificial Intelligence，2011，24（4）：561－566.

［9］Qin Long，Sun Ming，Rudnicky A.System combination for out－of－vocabulary word detection［C］／／IEEE International Conference on Acoustic，Speech and Signal Processing.Kyoto，Japan：IEEE，2012：4817－4820.

［10］Xu Yong，Guo Wu，Dai Lirong.A hybrid fragment／syllable－based system for improved OOV term detection［C］／／The 8th International Symposium on Chinese Spoken Language Processing.Hong Kong，China：［s.n.］，2012：378－382.

［11］Kanda N，Itoyama K，Okuno H G.Multiple index combination for Japanese spoken term detection with optimum index selection based on OOV－region classifier［C］／／IEEE International Conference on Acoustic，Speech and Signal Processing.Vancouver，Canada：IEEE，2013：8540－8544.

［12］Bisani M，Ney H.Joint－sequence models for grapheme－to－phoneme conversion［J］.Speech Communication，2008，50（5）：434－451.

［13］Jouvet D，F(xiàn)ohr D，Illina I.Evaluating grapheme－tophoneme converters in automatic speech recognition context［C］／／IEEE International Conference on A－coustic，Speech and Signal Processing.Kyoto，Japan：IEEE，2012：4821－4824.

［14］Grezl F，Karafiat M.Integrating recent MLP feature extraction techniques into TRAP architecture［C］／／The 12th Annual Conference of the International Speech Communication Association.Florence，Italy：ISCA，2011：1229－1232.

［15］Hahn S，Lehnen P，Wiesler S，et al.Improving LVCSR with hidden conditional random fields for grapheme－to－phoneme conversion［C］／／The 14th Annual Conference of the International Speech Communication Association.Lyon，F(xiàn)rance：ISCA，2013：495－499.

［16］Wallace R.Fast and accurate phonetic spoken term detection［D］.Queensland：Queensland University of Technology，2010：51－90.

［17］Wallace R，Baker B，Vogt R，et al.Discriminative optimization of the figure of merit for phonetic spoken term detection［J］.IEEE Transactions on Audio，Speech，and Language Processing，2011，19（6）：1677－1687.