语音识别技术日趋成熟,但仍然存在一系列难题有待解决,尤其是大词表连续语音识别(LVCSR)技术,在识别速度、识别正确率、系统顽健性等能力上还远远没有达到尽善尽美。特别是在声学模型的训练方面,最常用的手段就是使用人工标注的数据来训练声学模型,这样的方法需要大量的标注数据,而人工标注这些数据需要耗费大量的金钱和时间;因此提出了一个新的半监督学习方法—分阶段半监督学习,来训练声学模型。分阶段半监督学习仅需要小部分的人工标注数据来初始化声学模型参数,然后加载模型去识别大量的未标注数据;数据筛选策略对识别结果进行分析,然后合成最优的结果作为标注数据,重复进行训练。依据这种新的半监督学习方法建立了自动标注语料系统(ALCS)。和一般的获取标注数据来训练声学模型的方法相比,分阶段半监督学习有以下几个优势:它仅仅选取一部分词频分布均匀和具有代表性的人工标注数据来初始化模型参数,避免了繁重、枯燥的语料标注工作;它构建了一个自适应的识别单元,能根据工作环境和待识别的数据自发的调整模型的参数,所以系统有好的识别性能和适应性;人工标注数据一般仅能达到有调音节的层次,系统能够自动标注到音素级别,能够满足更高标注精度的需求,实现了精细标注;持续学习能力对于半监督学习是至关重要的,只要系统能不断地得到未标注的数据,就能持续不断地学习、标注和训练模型,从而不断地提升系统性能。实验结果证明,这种新的半监督学习方法在自动标注语料、训练模型方面有良好的表现,用这种半监督学习方法训练出来的声学模型来对测试集进行识别,识别率大约有4.5%的提升。