Слайд 2Что такое распознавание речи?
Распознавание речи – это многоуровневая задача распознавания образов, в
которой акустические сигналы анализируются и структурируются в иерархию структурных элементов (например, фонем), слов, фраз и предложений
Слайд 3Структура стандартной системы распознавания речи
Слайд 4Необработанная речь
Обычно, поток звуковых данных, записанный с высокой дискретизацией (20 КГц при
записи с микрофона либо 8 КГц при записи с телефонной линии)
Слайд 5Анализ сигнала
Поступающий сигнал должен быть изначально трансформирован и сжат, для облегчения последующей
обработки. Есть различные методы для извлечения полезных параметров и сжатия исходных данных в десятки раз без потери полезной информации. Наиболее используемые методы:
анализ Фурье;
линейное предсказание речи;
кепстральный анализ.
Слайд 6Речевые кадры
Результатом анализа сигнала является последовательность речевых кадров. Обычно, каждый речевой кадр
– это результат анализа сигнала на небольшом отрезке времени (порядка 10 мс.), содержащий информацию об этом участке (порядка 20 коэффициентов). Для улучшения качества распознавания, в кадры может быть добавлена информация о первой или второй производной значений их коэффициентов для описания динамики изменения речи.
Слайд 8Акустические модели
Для анализа состава речевых кадров требуется набор акустических моделей. Рассмотрим две
наиболее распространенные из них.
Шаблонная модель.
Модель состояний.
Слайд 9Шаблонная модель
В качестве акустической модели выступает каким-либо образом сохраненный пример распознаваемой структурной
единицы (слова, команды). Вариативность распознавания такой моделью достигается путем сохранения различных вариантов произношения одного и того же элемента (множество дикторов много раз повторяют одну и ту же команду). Используется, в основном, для распознавания слов как единого целого (командные системы).
Слайд 10Модель состояний
Каждое слово моделируется как последовательность состояний указывающих набор звуков, которые возможно
услышать в данном участке слова, основываясь на вероятностных правилах. Этот подход используется в более масштабных системах.
Слайд 11Акустический анализ
Состоит в сопоставлении различных акустических моделей к каждому кадру речи и
выдает матрицу сопоставления последовательности кадров и множества акустических моделей. Для шаблонной модели, эта матрица представляет собой Евклидово расстояние между шаблонным и распознаваемым кадром. Для моделей, основанных на состоянии, матрица состоит из вероятностей того, что данное состояние может сгенерировать данный кадр.
Слайд 12Корректировка времени
Используется для обработки временной вариативности, возникающей при произношении слов (например, “растягивание”
или “съедание” звуков).
Слайд 13Последовательность слов
В результате работы, система распознавания речи выдает последовательность (или несколько возможных
последовательностей) слов, которая, наиболее вероятно, соответствует входному потоку речи.