摘要：为实现音视频语音识别和同时对音频视频流进行准确的音素切分，该文提出一个新的多流异步三音素动态贝叶斯网络（MM．ADBN—TRI）模型，在词级别上描述了音频视频流的异步性，音频流和视频流都采用了词-三音素-状态-观测向量的层次结构，识别基元是三音素，描述了连续语音中的协同发音现象。实验结果表明：该模型在音视频语音识别和对音频视频流的音素切分方面，以及在确定音视频流的异步关系上，都具备较好的性能。

关键词：语音识别 动态贝叶斯网络 音素切分 音视频 

单位：西北工业大学 西安710072 布鲁塞尔自由大学电子与信息处理系 布鲁塞尔B-1050比利时