Czasopismo | PRZEGLĄD ELEKTROTECHNICZNY | Rocznik 2016 - zeszyt 8

The use of pitch in Large-Vocabulary Continuous Speech Recognition System

10.15199/48.2016.08.21

nr katalogowy: 99981
10.15199/48.2016.08.21

Abstract. In this article the authors normalize the speech signal based on the publicly available AN4 database. The authors added to the algorithm of calculating the MFCC coefficients, the normalization procedure, that uses pitch of the voice. As demonstrated by empirical tests authors were able to improve speech recognition accuracy rate of about 20%. Streszczenie. W niniejszym artykule autorzy normalizują sygnał mowy wykorzystując publicznie dostępną bazę danych AN4. Autorzy dodali do algorytmu obliczania współczynników MFCC, procedurę normalizacji, wykorzystującą wysokość tonu głosu. Jak wynika z przeprowadzonych testów, autorzy uzyskali poprawę dokładności rozpoznawania mowy o około 20% (Wykorzystanie wysokości tonu głosu w systemach rozpoznawania mowy ciągłej z dużą ilością słów). Keywords: speech recognition, CMU Sphinx, pitch, speech normalization. Słowa kluczowe: rozpoznawanie mowy, CMU Sphinx, wysokość głosu, normalizacja sygnału mowy. Introduction The fundamental frequency (F0) plays a very important role in generating speech signal [1]. It has long been known that, formant frequencies generated by women and men are different from each other. Women have higher formant frequencies than men [2], which may be explained by the longer vocal tracts of men [3]. The important source of the inter-speaker variations is the vocal tract length (VTL). Therefore, vocal tract length normalization (VTLN) technique was described in many publications [4 - 6]. However, information about VTL is rarely used by speech recognition systems. Most often they use MFCC coefficients for each frame calculated in the same way. This means that continuous speech recognition systems do not take into account the changes in the spectrum. These changes appear in the utterance of the same phoneme spoken by various speakers. One of the most commonly used technique for the normalization is bilinear transform (BLT) [7-9]. It was presented in [10] using BTL in[...]

Bibliografia

[1] Benesty J., Sondhi M.M., Huang Y., Springer Handbook of Speech Processing, Springer, Berlin, 2008
[2] Peterson G.E., Barney H.L., Control methods used in a study of the vowels, Journal of the Acoustical Society of America, 24 (1952), 175-184
[3] Fitch W.T., Giedd J., Morphology and development of the human vocal tract: a study using magnetic resonance imaging, Journal of the Acoustical Society of America, 106 (1999), n.3, 1511-1522
[4] Zhan, P., Waibel, A., Vocal Tract Length Normalization for Large Vocabulary Continuous Speech Recognition, CMU-CS- 97-148, Carnegie Mellon University, Pittsburgh, PA. May. 1997
[5] Kamm T., Andreou G., Cohen J., Vocal Tract Normalization in Speech Recognition: Compensating for Systematic Speaker Variability, Proc. of the 15th Annual Speech Research Symposium, pp. 161-167, CLSP, Johns Hopkins University, Baltimore, MD, June 1995
[6] Tuerk C., Robinson T., A new frequency shift function for reducing inter-speaker variance. In: Proc. Eurospeech 1993, 351-354
[7] Oppenheim A.V., Johnson D.H., Discrete representation of signals. Proc. of the IEEE, 60 (1972), n.6, 681-691
[8] Acero, A., Acoustical and Environmental Robustness in Automatic Speech Recognition. PhD thesis, Carnegie Mellon University, Pittsburgh, Pennsylvania, 1990
[9] McDonough, John W., Speaker Compensation with All-Pass Transforms. PhD thesis, Johns Hopkins University, 2000
[10] Waibel A., Lee K.F., Readings in Speech Recognition, Morgan Kaufmann, 1990
[11] Traunmüller, H., Eriksson, A., The frequency range of the voice fundamental in the speech of male and female adults. http://www.ling.su.se/staff/hartmut/aktupub.htm
[12] Johnson, K. Speaker Normalization in speech perception. In Pisoni, D.B. & Remez, R. (eds) The Handbook of Speech Perception. Oxford: Blackwell Publishers, (2005), 363-389
[13] Boersma P., Accurate short-term analysis of the fundamental frequency and the harmonics-to-noise ratio of a sampled sound, Proceedings of the Institute of Phonetic Sciences University of Amsterdam, 17 (1993), 97-110
[14] A brief explanation of Praat's pitch detection algorithm, http://www.ucl.ac.uk/~ucjt465/tutorials/praatpitch.html
[15] The CMU Audio Databases, AN4 database, http://www.speech.cs.cmu.edu/databases/an4/
[16] Płonkowski M., Urbanowicz P., Tuning a CMU Sphinx-III Speech Recognition System for Polish Language, Przegląd Elektrotechniczny (2014), n.4, 181-184
[17] Płonkowski M., Using bands of frequencies for vowel recognition for Polish language, International Journal of Speech Technology, 18 (2014), n.2, 187-193

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

Publikacja


e-Publikacja (format pdf) - nr 99981 "The use of pitch in Large..." licencja: Osobista Produkt cyfrowy	10.00 zł

Zeszyt


PRZEGLĄD ELEKTROTECHNICZNY - e-zeszyt (pdf) 2016-8 licencja: Osobista Produkt cyfrowy	55.00 zł

Prenumerata

PRZEGLĄD ELEKTROTECHNICZNY - prenumerata cyfrowa
licencja: Osobista

Produkt cyfrowy
Nowość

762.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS (Prenumerata papierowa + dostęp do portalu sigma-not.pl + e-prenumerata)	1002.00 zł brutto 927.78 zł netto 74.22 zł VAT (stawka VAT 8%)

1002.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna + wysyłka
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna	960.00 zł brutto 888.89 zł netto 71.11 zł VAT (stawka VAT 8%)
PRZEGLĄD ELEKTROTECHNICZNY - pakowanie i wysyłka	42.00 zł brutto 34.15 zł netto 7.85 zł VAT (stawka VAT 23%)

1002.00 zł

Zeszyt

2016-8

Twój Koszyk

Publikacja

Zeszyt

Prenumerata

Zeszyt

Czasopisma