تخمین سریع ضرایب پیچش در هنجارسازی طول مجرای صوتی با استفاده از امتیاز به دست آمده از مدلسازی تشخیص جنسیت

یاسر شکفته، yasser shekofteh rcdatپژوهشگاه حسن قلی پور، hasan gholipor rcdatپژوهشگاه محمدمحسن گودرزی، m.mohsen goodarzi rcdatپژوهشگاه جهانشاه کبودیان، jahanshah kabudian rcdatپژوهشگاه فرشاد الماس گنج، farshad almasganj rcdatپژوهشگاه شقایق رضا، shaghayegh reza rcdatپژوهشگاه ایمان صراف رضایی

چکیده

یکی از مشکلات عمده­ی سامانه­های خودکار بازشناسی گفتار (asr)، تنوعات موجود در بین گویند­ه­ها، کانال انتقال داده و محیط است که به علت وجود این تنوعات، کارایی این سامانه ها در شرایط کاربردی مختلف به شدت تغییر می کند. مقاوم سازی سیستم­های بازشناسی جهت مقابله با این تغییرات از جمله مسائل حال حاضر در حوزه بازشناسی گفتار است. از جمله عواملی که باعث کاهش کارایی سیستم­ها می­شود، تمایز مشخصات صوتی آواهای یکسانِ تولید شده از گوینده­های مختلف است. یکی از عوامل اصلی این مشکل ناشی از تفاوت موجود در طول مجرای صوتی (vtl) بین گوینده­های مختلف می باشد. روش هنجارسازی طول مجرای صوتی (vtln) از روش­های رایج برای رفع این مشکل است که در آن برای هر گوینده یک ضریب پیچش فرکانسی تعیین می­گردد. در این مقاله روش متداول تعیین ضریب پیچش با رویکرد مبتنی بر جستجو در یک سیستم بازشناسی گفتار پیوسته فارسی مبتنی بر مدل مخفی مارکوف معرفی و مشکلات محاسباتی استفاده از این روش شرح داده شده است. در نهایت روشی مبتنی بر رگرسیون خطی از روی امتیاز محاسبه شده از مدلسازی تشخیص جنسیت جهت تخمین ضرایب پیچش پیشنهاد شده است که منجر به کاهش قابل ملاحظه هزینه محاسباتیِ روش مبتنی بر جستجو می­شود. علاوه بر این، نتایج آزمایشات بر روی دادگان آزمون گفتار تلفنی محاوره­ای، بیانگر بهبود 54/0 درصدی دقت تشخیص کلمه روش پیشنهادی نسبت به روش متداول مبتنی بر جستجو می­باشد.