文章探讨了利用动态参数提升越南语自动语音识别（ASR）性能的方法。通过分析频谱子带中心频率（SSCF）的极坐标参数，文章提出了一种能够捕捉语音动态特性并减少频谱变化的特征提取方法。该方法将极坐标参数与梅尔频率倒谱系数（MFCC）结合，显著降低了词错误率，并表现出比基线MFCC更强的性别无关性。此外，文章还引入了SSCF0作为基频（F0）的伪特征，以更好地处理越南语的声调信息。实验结果表明，所提方法在越南语ASR任务中表现优异，尤其在低资源环境下具有重要应用价值。
自动语音识别（ASR）技术近年来在深度学习的推动下取得了显著进展，但仍面临说话人变异带来的挑战。传统特征如梅尔频率倒谱系数（MFCC）容易受到说话人性别和生理差异的影响，导致识别性能下降。这一问题在低资源语言中尤为突出，因为训练数据的稀缺性限制了模型的泛化能力。
语音动态特性反映了发音器官的运动和声学属性的变化，对语音感知至关重要。文章提出通过分析频谱子带中心频率（SSCF）的极坐标参数来捕捉这些动态特性。极坐标参数包括半径和角度，能够平滑地描述频谱过渡，避免传统角度计算方法中的不连续性问题。
实验表明，SSCF极坐标参数在描述语音过渡时表现出较强的性别无关性。通过将SSCF1/SSCF3和SSCF2/SSCF3的比值引入极坐标计算，进一步减少了性别相关的频谱变异，提升了跨性别语音识别的鲁棒性。
越南语是一种声调语言，基频（F0）信息对识别至关重要。文章提出使用SSCF0作为F0的伪特征，通过均值和方差归一化（MVN）处理，减少了说话人之间的基频差异。实验结果显示，归一化的SSCF0能够有效提升声调识别性能，同时保持性别无关性。
在越南语语音数据集上的实验表明，结合极坐标参数和MFCC的特征提取方法显著降低了词错误率。与传统的13维MFCC相比，所提方法在跨性别识别任务中表现更优，同时减少了性别相关的性能差异。这一成果为低资源语言的语音识别提供了新的技术路径。