| Περίληψη |
Η Αυτόματη Αναγνώριση Ομιλίας πρωτοεμφανίστηκε το 1950. Έκτοτε έχουν γίνει πολλές
προσπάθειες για την βελτίωσή της σε μονοφωνικές ηχογραφήσεις. Τα τελευταία χρόνια,
πολλοί ερευνητές έχουν δείξει ενδιαφέρον στην Αυτόματη Αναγνώριση Ομιλίας και σε
πολυκάναλες ηχογραφήσεις, καθώς όλο και περισσότερες συσκευές της
καθημερινότητάς μας ενσωματώνουν όλο και περισσότερα μικρόφωνα. Τα μικρόφωνα
αυτά τοποθετούνται σε καθορισμένες διατάξεις δίνοντάς μας την δυνατότητα να
εκμεταλλευτούμε την κατευθυντικότητα του σήματος εισόδου και να επιτύχουμε
καλύτερη ενίσχυση σήματος. Μερικά παραδείγματα τέτοιων συσκευών και εφαρμογών
αποτελούν τα κινητά τηλέφωνα, τα
tablets
, οι συσκευές οικιακού αυτοματισμού όπως
Amazon
Echo,
Google
Home
, οι ψηφιακοί προσωπικοί βοηθοί όπως
Siri,
Google
Now,
Cortana
κ.α.
Στα πλαίσια αυτής της εργασίας, στόχος μας είναι να δημιουργήσουμε ένα σύστημα
Αυτόματης Αναγνώρισης Ομιλίας συνδυασμένο με ένα σύστημα ενίσχυσης σήματος
(
front
-
end
) για να επιτύχουμε τα βέλτιστα αποτελέσματα αναγνώρισης ομιλίας σε μη ευνοϊκές συνθήκες, όπως δωμάτια με έντονη αντήχηση ή/και θόρυβο. Τα πειράματα
που
εκτελέσαμε περιλαμβάνουν σενάρια με στάσιμους ομιλητές, κινούμενους ομιλητές
καθώς και επικαλυπτόμενους ομιλητές. Για την καλύτερη προσέγγιση του προβλήματος,
χωρίσαμε τη διαδικασία σε τρεις φάσεις. Η πρώτη φάση ήταν ο πειραματισμός πάνω στα
δεδομένα
που χρησιμοποιήσαμε για την εκπαίδευση του ακουστικού μοντέλου. Τα
ακουστικά μοντέλα που εκπαιδεύσαμε ήταν τρία. Το πρώτο ακουστικό μοντέλο
εκπαιδεύτηκε με σήματα καθαρής ομιλίας, το δεύτερο με επεξεργασμένα σήματα
ομιλίας και το τρίτο με τον συνδυασμό των
δύο παραπάνω. Κατά τη δεύτερη φάση,
δοκιμάσαμε ποικίλα συστήματα ενίσχυσης σήματος, δηλαδή τεχνικές επεξεργασίας
πολυκάναλων αρχείων φωνής και τα αξιολογήσαμε με βάση τα αποτελέσματα της
αναγνώρισης. Καθεμιά από τις μεθόδους επεξεργασίας πολυκάναλου σήματος που
χρησιμοποιήσαμε, απαρτίζεται από δύο κύρια στοιχεία, το διαμορφωτή λοβού και το
πολυκάναλο φίλτρο. Επιπλέον, προτείναμε μια μέθοδο βασισμένη στις δυαδικές μάσκες
και το φίλτρο
Wiener
η οποία μας οδήγησε σε καλύτερα αποτελέσματα αναγνώρισης. Τα
αποτελέσματα της αναγνώρισης ομιλίας έδειξαν ότι ο συνδυασμός του
υπερκατευθντικού διαμορφωτή λοβού με το πολυκάναλο φίλτρο
Wiener
αποδίδει
καλύτερα στην περίπτωση ενός ομιλητή ενώ ο ίδιος διαμορφωτής λοβού συνδυασμένος
με δυαδικές μάσκες αποδίδει καλύτερα σε ε
πικαλυπτόμενους ομιλητές. Κατά την
τελευταία φάση, δημιουργήσαμε ένα ακουστικό μοντέλο το οποίο εκπαιδεύτηκε με
καθαρά και επεξεργασμένα σήματα φωνής χρησιμοποιώντας ως σύστημα ενίσχυσης
σήματος
τις τεχνικές που αναφέραμε παραπάνω ως βέλτιστες.
Για την αξιολόγηση της απόδοσης κάθε ακουστικού μοντέλου και κάθε συστήματος
ενίσχυσης σήματος, χρησιμοποιήσαμε μια μετρική η οποία είναι ευρέως γνωστή σε
πειράματα αναγνώρισης ομιλίας, το ποσοστό των λάθος αναγνωρισμένων λέξεων. Η
προτεινόμενη μέθοδος οδήγησε σε σημαντική βελτίωση των αποτελεσμάτων.
Σημειώθηκε σχετική μείωση στο ποσοστό των λάθος αναγνωρισμένων λέξεων κατά
62,4% για στάσιμο ομιλητή, 57,9% για κινούμενο ομιλητή και 49,6% για
επικαλυπτόμενους ομιλητές σε σχέση με τα αποτελέσματα αναγνώρισης των μην
επεξεργασμένων σημάτων. Συγκεκριμένα, οι τροποποιήσεις που εφαρμόσαμε στο
σύστημα ενίσχυσης σήματος και στις δυαδικές μάσκες στην περίπτωση των
επικαλυπτόμενων ομιλητών, δηλαδή η εισαγωγή ενός
συχνοτικού
κατωφλίου
και ένα πιο
αυστηρό κριτήριο για την εφαρμογή των μασκών αυτών, οδήγησε σε σχετική βελτίωση
κατά 9.9% σε σχέση με τις προεπιλεγμένες παραμέτρους.
|
Αναζήτηση
