بررسی روش های تطبیق به گوینده مبتنی بر فضای ویژه در سیستم های بازشناسی گفتار فارسی

از میان الگوریتم های تطبیق به گوینده، تطبیق صدای ویژه (EV) و تطبیق ILIR بر پایه فضای ویژه (EMLLR) به منظور تطبیق به گوینده سریع (با داده تطبیقی کم) مورد استفاده قرار گرفته اند. در این دوالگوریتم، مدل تطبیق یافته به گوینده جدید محدود به تعریف شدن به صورت جمع وزندار بردارهای پایه ای که بر یکدیگر عمودند می شود، به این ترتیب تعداد پارامترهایی که لازم است از داده تطبیقی تخمین زده شوند کاهش می یابد. در این حالت، دست یابی به مدل های دقیق تر با استفاده از داده تطبیقی بیشتر سخت می شود که می توان با استفاده از دسته بندی بهینه پارامترهای مدل این مشکل را برطرف ساخت. نتایج بررسظی های انجام گرفته در این مطالعه روی به کارگیری دو روش EV و EMLLR با استفاده از دادگان فارس دات نشان می دهد که با داشتن داده تطبیقی کوتاه (در حد 5 الی 10 ثانیه)، در حالت سرپرستی شده، هر یک به ترتیب 5/9% و 5/3% و در حالت بدون سرپرستی، 4/6% و 4% بازشناسی واج را بهبود می بخشند در حالی که روش های تطبیق به گوینده متداول نظیر MLLR نمی توانند با داده تطبیقی ک وتاه به درستی عمل کنند. همچنین نشان داده شده است که با استفاده از خوشه بندی فضای ویژه، عملکرد تطبیق EV با داده تطبیقی زیاد در دو حالت سرپرستی شده و بدون سرپرستی بهبود می یابد.

کلیدواژه ها:

آنالیز مؤلفه های اساسی ، تطبیق به گوینده ، صدای ویژه ، فضای ویژه