WikiDer > Акустическая модель
 | Эта статья нужны дополнительные цитаты для проверка. (Февраль 2011 г.) (Узнайте, как и когда удалить этот шаблон сообщения) |
An акустическая модель используется в автоматическое распознавание речи представлять отношения между звуковой сигнал и фонемы или другие языковые единицы, составляющие речь. Модель узнается из набора аудиозаписей и соответствующих расшифровок. Он создается путем создания аудиозаписей речи и их текстовых транскрипций, а также использования программного обеспечения для создания статистических представлений звуков, составляющих каждое слово.
Фон
Современные системы распознавания речи используют как акустическую модель, так и языковая модель для представления статистических свойств речи. Акустическая модель моделирует взаимосвязь между звуковым сигналом и фонетическими единицами языка. Языковая модель отвечает за моделирование последовательностей слов в языке. Эти две модели объединяются, чтобы получить последовательности слов с наивысшим рейтингом, соответствующие данному аудиосегменту.
Самый современный речь системы распознавания обрабатывают звук небольшими фрагментами, известными как кадры, с приблизительной продолжительностью 10 мс на кадр. Необработанный аудиосигнал из каждого кадра можно преобразовать, применив мелкочастотный кепстр. Коэффициенты этого преобразования широко известны как частотные кепстральные коэффициенты (MFCC) s и используются в качестве входных данных для акустической модели наряду с другими функциями.
В последнее время использование Сверточные нейронные сети привел к значительным улучшениям в акустическом моделировании.[1]
Аудио характеристики речи
Аудио может быть закодированный в разных частота дискретизации (т.е. выборок в секунду - наиболее распространенные: 8, 16, 32, 44,1, 48 и 96 кГц) и разные биты на выборку (наиболее распространенные: 8 бит, 16 бит, 24 бит или 32 -биты). Механизмы распознавания речи работают лучше всего, если используемая ими акустическая модель была обучена звуковой речи, записанной с той же частотой дискретизации / бит на отсчет, что и распознаваемая речь.
Распознавание речи на основе телефонии
Ограничивающий фактор для телефония Распознавание речи на основе - это полоса пропускания, в которой может передаваться речь. Например, стандартный стационарный телефон имеет пропускную способность только 64 кбит / с при частоте дискретизации 8 кГц и 8 бит на выборку (8000 выборок в секунду * 8 бит на выборку = 64000 бит / с). Следовательно, для распознавания речи на основе телефонии акустические модели должны быть обучены с помощью аудиофайлов речи 8 кГц / 8 бит.
В случае Голос по IP, то кодек определяет частоту дискретизации / количество бит на образец передачи речи. Кодеки с более высокой частотой дискретизации / биты на выборку для передачи речи (которые улучшают качество звука) требуют акустических моделей, обученных с помощью аудиоданных, которые соответствуют этой частоте дискретизации / битам на выборку.
Распознавание речи на компьютере
Для распознавания речи на стандартном настольном ПК ограничивающим фактором является звуковая карта. Большинство звуковых карт сегодня могут записывать аудио с частотой дискретизации от 16 до 48 кГц, с битрейтом от 8 до 16 бит на сэмпл и воспроизведением с частотой до 96 кГц.
Как правило, механизм распознавания речи лучше работает с акустическими моделями, обученными с речевыми аудиоданными, записанными с более высокой частотой дискретизации / бит на отсчет. Но использование звука со слишком высокой частотой дискретизации / бит на отсчет может замедлить работу механизма распознавания. Нужен компромисс. Таким образом, для распознавания речи настольных компьютеров текущим стандартом являются акустические модели, обученные с помощью речевых аудиоданных, записанных с частотой дискретизации 16 кГц / 16 бит на выборку.
Рекомендации
- ^ Т. Саинат и другие.., «Сверточные нейронные сети для LVCSR», ICASSP, 2013.