Czasopismo | ELEKTRONIKA - KONSTRUKCJE, TECHNOLOGIE, ZASTOSOWANIA | Rocznik 2016 - zeszyt 7

Grupowanie mówców i jego skuteczność dla języka polskiego

10.15199/13.2016.7.12

nr katalogowy: 99877
10.15199/13.2016.7.12

Grupowanie mówców w zbiory o podobnych cechach akustycznych ich mowy, obok normalizacji i adaptacji, jest skuteczną metodą poprawy jakości systemów automatycznego rozpoznawania mowy. W pracy przedstawiono metody grupowania, dla których punktem wyjścia jest model akustyczny wszystkich mówców oraz ich efektywność dla mowy polskiej w odniesieniu głównie do samogłosek. Rozwiązania te okazały się być skuteczne nawet przy wykorzystaniu superkrótkiej wypowiedzi. Uzyskana poprawa jakości rozpoznawania ramek mierzona za pomocą frame error rate wynosi około 4%. Słowa kluczowe: automatyczne rozpoznawanie mowy, kompensacja różnic międzyosobniczych, grupowanie mówców, model UBM, adaptacja współczynników wagowych GMM.Opracowanie modelu akustycznego danego języka jest jednym z ważniejszych kroków uczenia systemu automatycznego rozpoznawania mowy (ARM). Zwykle wymaga to: (i) wykonania częściowej lub kompletnej segmentacji i opisu nagrań zbioru uczącego, (ii) wybrania metody parametryzacji i jej realizacji oraz (iii) wykonania aproksymacji estymatorów rozkładów prawdopodobieństwa wartości parametrów (wektorów obserwacji) dla poszczególnych fonemów/stanów za pomocą ważonej sumy rozkładów gaussowskich - model GMM. Widma tych samych dźwięków mowy produkowanych przez różnych mówców różnią się niekiedy w sposób znaczący. Skutkuje to spłaszczeniem rozkładów prawdopodobieństwa modelu GMM, a w konsekwencji pogorszeniem jego zdolności klasyfikacyjnych. Wspomniane różnice w widmach są nazywane różnicami międzyosobniczymi i są konsekwencją odmienności w budowie anatomicznej mówców (np. wielkości kanału głosowego), jak również różnic osobowościowych mówców. Choć inne czynniki, np. różnice kontekstowe, warunki środowiskowe, mają wpływ na ekstrahowane z mowy wartości parametrów, to różnice międzyosobnicze są jednymi z tych o kluczowym znaczeniu. Różnice w strukturze czasowo- częstotliwościowej dźwięków mowy są różnorakie i polegają głównie na rozbieżnoś[...]

Bibliografia

[1] Anderson T.W. 2003. “An Introduction to Multivariate Statistical Analysis". 3rd ed., John Wiley & Sons Inc, New York.
[2] Basseville M. 1989. “Distance Measures for Signal Processing and Pattern Recognition". Signal Processing 18: 349-369.
[3] Bishop C.M. 2006. “Pattern Recognition and Machine Learning". Springer, New York.
[4] Chu S.M., Tang H., Huang T.S. 2009a. “Locality Preserving Speaker Clustering". Proceedings of IEEE International Conference on Multimedia and Expo: 494-497. Mexico.
[5] Chu S.M., Tang H., Huang T.S. 2009b. “Fishervoice and Semi-Supervised Speaker Clustering". International Conference on Acoustics, Speech and Signal Processing: 4089-4092. Taipei.
[6] Davis S.B., Mermelstein P. 1980. “Comparison of Parametric Representation for Monosyllabis Recognition in Continuously Spoken Sentences". IEEE Trans. Acoustics, Speech and Signal Processing 28: 357-366.
[7] Dempster A., Laird N., Rubin D. 1977. “Maximum Likelihood from Incomplete Data via EM Algorithm". Journal of Royal Statistical Society 39: 1-38.
[8] Duda R., Hart P., Stork D. 2000. “Pattern Classication". 2-nd ed., John Wiley & Sons Inc. New York.
[9] Furui S. 1989. “Unsupervised Speaker Adaptation Method Based on Hierarchical Spectral Clustering". International Conference on Acoustics, Speech and Signal Processing.
[10] Gauvain J.L., Lee C.-H. 1994. “Maximum a Posteriori Estimation for Multivariate Gaussian Mixture Observations of Markov Chains". IEEE Transactions on Speech and Audio Processing 2.
[11] Hazen T.J. 2000. “A Comparison of Novel Techniques for Rapid Speaker Adaptation". Speech Communication 31: 15-33. Elektronika 7/2016 51
[12] He X., Niyogi P. 2003. “Locality Preserving Projections". Advances in Neural Information Processing Systems 16, Vancuver.
[13] Iyer A.N., Ofoegbu U.O., Yantorno R.E., Smolinski B.Y. 2006. “Blind Speaker Clustering". International Symposium on Intelligent Signal Processing and Communications Systems: 343-346. Yonago.
[14] Jassem W. 1973 “Podstawy fonetyki akustycznej". PWN. Warszawa.
[15] Kosaka T., Sagayama S. 1994. “Tree-Structured Speaker Clustering for Fast Speaker Adaptation". Proceedings of International Conference on Acoustics, Speech and Signal Processing: 245-248. Ostendorf.
[16] Kuhn R., Junqua J.-C., Nguyen P., Niedzielski N. 2000. "Rapid Speaker Adaptation in Eigenvoice Space". IEEE Transaction on Speech and Audio Processing 8: 695-707.
[17] Liu D., Kubala F. 2004. “Online Speaker Clustering". Proceedings of International Conference on Acoustics, Speech and Signal Processing: 333-336. Quebec.
[18] Lu Z., Hui Y.V., Lee A.H. 2003. “Minimum Hellinger Distance Estimation for Finite Poisson Regression Models and its Applications". Biometrics 59: 1016-1026.
[19] Mehrabani M., Hansen J.H.L. 2013. “Singing Speaker Clustering Based on Subspace Learning in the GMM Mean Supervector Space". Speech Communication 55: 653-666.
[20] Makowski R. 2011. "Automatyczne rozpoznawanie mowy - wybrane zagadnienia". Oficyna Wydawnicza Politechniki Wrocławskiej. Wrocław.
[21] Makowski R., Hossa R. 2014. “Automatic Speech Signal Segmentation Based on Innovations Adaptive Filter". International Journal on Applied Mathematics and Computer Science 24: 259-270.
[22] Makowski R., Hossa R. 2016. “An Effective Speaker Clustering Method using UBM and Ultra-Short Training Utterances". Archives of Acoustics 41: 107-118.
[23] Mrówka P., Makowski R. 2008. “Normalization of Speaker Individual Characteristics and Compensation of Linear Transmission Distortions in Command Recognition Systems". Archives of Acoustics 33: 221-242.
[24] Naito M., Deng L., Sagisaka Y. 2002. “Speaker Clustering for Speech Recognition Using Vocal Track Parameters". Speech Communication 36: 305-315.
[25] Peinado A.M., Segura J.C. 2006. “Speech Recognition over Digital Channels". John Wiley and Sons, Ltd. Chichester.
[26] Rabiner L., Juang B-H. 1993. “Fundamentals of Speech Recognition". Prentice-Hall. Englewood Clis.
[27] Reynolds D.A., Rose R.C. 1995. “Robust Text-Independent Speaker Identification Using Gaussian Mixture Speaker Models". IEEE Transaction on Speech and Audio Processing 3: 72-83.
[28] Reynolds D.A., Quatieri T.F., Dunn R.B. 2000. “Speaker Verification Using Adaptive Gaussian Mixture Models". Digital Signal Processing 10: 19-41.
[29] Stafylakis T., Katsouros V., Carayannis G. 2006. “The Segmental Bayesian Information Criterion and its Applications to Speaker Diarization". IEEE Selected Topics in Signal Processing 4: 857-866.
[30] Tang H., Chu S.M., Hasegawa-Johnson M., Huang T.S. 2012. “Partially Supervised Speaker Clustering". IEEE Transaction on Pattern Analysis and Machine Intelligence 34: 959-971.
[31] Tranter S., Reynolds D. 2006. “An Overwiew of Automatic Speaker Diarization Systems". IEEE Transaction Audio, Speech and Language Processing 14: 1557-1565.
[32] Tsai W-H., Cheng S-S., Wang H-M. 2007. “Automatic Speaker Clustering Using a V oice Characteristic Reference Space and Maximum Purity Estimation". IEEE Transaction on Audio, Speech and Language Processing 15: 1461-1474.

Jeśli masz wykupiony/przyznany dostęp - zaloguj się. Skorzystaj z naszych propozycji zakupu!

Publikacja


e-Publikacja (format pdf) - nr 99877 "Grupowanie mówców i jego ..." licencja: Osobista Produkt cyfrowy	10.00 zł

Zeszyt


ELEKTRONIKA - KONSTRUKCJE, TECHNOLOGIE, ZASTOSOWANIA - e-zeszyt (pdf) 2016-7 licencja: Osobista Produkt cyfrowy	35.00 zł

Prenumerata

ELEKTRONIKA - KONSTRUKCJE, TECHNOLOGIE, ZASTOSOWANIA - prenumerata cyfrowa
licencja: Osobista

Produkt cyfrowy
Nowość

420.00 zł

ELEKTRONIKA - KONSTRUKCJE, TECHNOLOGIE, ZASTOSOWANIA - papierowa prenumerata roczna + wysyłka
licencja: Osobista

Szczegóły pakietu

Nazwa
ELEKTRONIKA - KONSTRUKCJE, TECHNOLOGIE, ZASTOSOWANIA - papierowa prenumerata roczna	528.00 zł brutto 488.89 zł netto 39.11 zł VAT (stawka VAT 8%)
ELEKTRONIKA - KONSTRUKCJE, TECHNOLOGIE, ZASTOSOWANIA - pakowanie i wysyłka	42.00 zł brutto 34.15 zł netto 7.85 zł VAT (stawka VAT 23%)

570.00 zł

ELEKTRONIKA - KONSTRUKCJE, TECHNOLOGIE, ZASTOSOWANIA - PAKIET prenumerata PLUS
licencja: Osobista

Szczegóły pakietu

Nazwa
ELEKTRONIKA - KONSTRUKCJE, TECHNOLOGIE, ZASTOSOWANIA - PAKIET prenumerata PLUS (Prenumerata papierowa + dostęp do portalu sigma-not.pl + e-prenumerata)	636.00 zł brutto 588.89 zł netto 47.11 zł VAT (stawka VAT 8%)

636.00 zł

Zeszyt

2016-7

Twój Koszyk

Publikacja

Zeszyt

Prenumerata

Zeszyt

Czasopisma