Исследование и разработка алгоритмов и программ автоматического распознавания ограниченного набора команд вьетнамской речи

Актуальность темы

.

Естественное, языковое общение является для человека самым удобным и привычным. Поэтому неудивительно, что учёные и инженеры на протяжении многих лет решают проблему речевого общения человека и машины. Основная задача речевого интерфейса понимать человеческую речь и правильно реагировать на неё. Проблема состоит в том, чтобы научить машину понимать без посредника тот язык, на котором говорят люди между собой, то есть придумать алгоритм распознавания звуковых сигналов речи. Этим и занимается технология распознавания речи.

Эта задача поставлена более 60 лет назад, но полученные решения ещё не совершенны. Это показывает, что распознавание речи является сложной проблемой. Сложность определяется в значительной степени следующими факторами:

— вариативностью и нестабильностью источников речевого сигнала;

— различием амплитудно-частотных характеристик микрофонов;

— наличием различного рода шумов как окружающей среды, так и аппаратуры;

— наличием многих уровней обработки сигнала.

Таким образом, проблема исследования распознавания речи человека является актуальной с практическим применением даже в частных решениях.

Цель диссертационной работы.

Разработка программы распознавания речи является сложной задачей, требующей много времени. Так как время аспирантуры ограничено 3-мя годами, то было принято решение по разработке программ для распознавания ограниченного числа вьетнамских команд, опиралась на особенности вьетнамской речи. Тема называется: «Исследование и разработка алгоритмов и программ автоматического распознавания ограниченного набора команд вьетнамской речи» .

Основная цель диссертационной работы заключалась в исследовании методов распознавания речи и разработке программы автоматического распознавания ограниченного набора команд вьетнамской речи.

Для достижения этой цели в ходе выполнения диссертационной работы решались следующие основные задачи:

• Исследование существующих методов моделирования и автоматического распознавания речи.

• Исследование особенностей произношения вьетнамской речи, влияющих на методы распознавания речи.

• Разработка методов и алгоритмов для распознавания вьетнамской речи.

• Программная реализация предлагаемых алгоритмов и демонстрация результатов поэтапной обработки речевого сигнала.

Методы исследований.

В работе использовались методы математического анализа, методы цифровой обработки сигнала, теории распознавания образов и теории вероятностей.

Научная новизна.

Научная новизна диссертационной работы заключается в том, что предложено нескольких новых методов:

1. Проведена модернизация алгоритма обнаружения речи (начала и конца речевого сигнала) на фоне шума.

2. Предложен новый метод сегментации слитных речевых словосочетаний вьетнамского языка на отдельные слоги, соответствующие вьетнамским словам.

3. Предложен новый метод разбиения голосовых участков речи на квазипериоды, равные периодам основного тона. 4. Предложен новый метод формирования динамики формант по результатам спектрального анализа. 5. Предложены методы формирования эталонов для распознавания слов и фраз, основанные на особенностях вьетнамской речи. На его основе, предложены и реализованы два метода сравнения параметров входного сигнала с эталонами, хранящимися в базе данных, для распознавания команд вьетнамской речи.

Практическая ценность диссертации.

Предложены новые методы анализа речевого сигнала и новые методы распознавания ограниченного команд вьетнамской речи. Пока фундаментальные исследования по анализу вьетнамской речи ещё не публиковались.

Построена программа отображения звукового сигнала и результатов его анализа. Она позволяет экспортировать выходные параметры, полученные в результате анализа в файлы Excel и автоматически строить соответствующие графики. Программа может быть полезна специальным исследователям речевого сигнала и преподавателям, ведущим занятия в этой области.

Апробация работы.

Полученные в работе научные и практические результаты докладывались на двух международных научно-технических конференциях «Информационные средства и технологии» (Москва, 2008 и 2009 г. г.).

Личный вклад диссертанта.

Все методы разработаны совместно диссертантом и его руководителем, а алгоритмы и программы, их реализация и проверка работоспособности реализованы лично диссертантом.

Публикации.

По материалам диссертации опубликовано 3 печатных работы, в том числе одна в журнале, входящем в список изданий, рекомендованных ВАК РФ. Список опубликованных работ приведён в конце диссертации.

Структура и объём работы.

Диссертация состоит из введения, пяти глав, заключения, одного приложения и библиографического списка, использованных источников из 47 наименований. Общий объём работы составляет 128 страницы, в том числе 89 рисунков и 10 таблиц.

5.6 Выводы.

Рассмотрена организация системы баз данных, которая использована в программе распознавания. Она построена на основе системы управления данными Microsoft Access и позволяет обрабатывать до несколько миллионов записей. В ней хранены библиотека распознаваемых команд и библиотека эталонов. Связь между программой распознавания и базой данных осуществляется с помощью стандартной библиотеки Microsoft ADO (ActiveX Data Objects).

Представлены две идеи формирования эталона из полученного комплекта параметров, соответствующих одному слогу. На их основе, построены два метода распознавания по сравнению входного сигнала эталонами. Показаны результаты распознавания в таблице данных окна.

Microsoft Excel. Рассмотрены так же недостатки методов, которые показаны t выше. I I.

Рассмотрена программа для пошагового просмотра и отображения результатов обработки речевого сигнала. Программа позволяет выявлять причины ошибок.

ЗАКЛЮЧЕНИЕ

J.

В процессе решения задач, поставленных в диссертационной работе, ! получены следующие основные результаты: I I 1. Проведён краткий обзор современных методов построения систем распознавания речи.

2. Рассмотрены особенности вьетнамского языка, связанные с проблемой автоматического распознавания речи.

3. Модернизирован алгоритм обнаружения речи (начала и конца речевого сигнала и пауз в нём) на фоне шума.

4. Предложен новый метод сегментации слитных речевых фраз (команд) вьетнамского языка на отдельные слова.

5. Предложен новый метод разбиения голосовых участков речи на интервалы (квазипериоды), равные периодам основного тона.

6. Предложен новый метод формирования динамики формант по результатам спектрального анализа. Перевод речевых сигналов в форманты и выражение их в графиках является новым, может применяться для изучения произношения и распознавания. Это имеет большое значение, особенно во Вьетнаме. Хотя имели место некоторые применения распознавания речи (см. стр. 29), но фундаментальных исследований по этому вопросу ещё не было объявлено.

7. Предложены новые методы (два метода) формирования эталонов для распознавания слов и фраз.

8. Проведена организация базы данных на основе системы управления данными Microsoft Access для хранения входного сигнала, словаря распознавания и эталонов слов (команд). 1.

9. Предложены и реализованы два метода сравнения параметров входного слова с эталонами, хранящимися в базе данных, для распознавания слов и команд (словосочетаний).

10.Построена программа автоматического распознавания ограниченного набора команд (словосочетаний) вьетнамской речи, использующая выше приведенные методы. Точность программы по двум методам распознавания соответствует около 87% и 95% на изолированных словах.

11.Построена программа отображения данных звукового сигнала и результатов его анализа. Она позволяет экспортировать выходные параметры, полученные в результате анализа в файлы Excel и автоматически строить соответствующие графики. Программы могут быть полезны исследователям речевого сигнала и преподавателям, ведущим занятия в этой области.

Однако предложенные решения имеют свои недостатки:

— Определение щелевого сигнала в начале слова на основе только числа переходов через нуль иногда даёт ошибки. Согласные, например «Т», «Н», «С» в нескольких случаях не могут быть определены. Результаты сопоставления образцов «Hai» и «Tarn» показывают, что стабильность образцов не высока (см. рис. 5.11−3, 5.11−9).

— Алгоритм сегментации фразы на отдельные слова иногда даёт ошибки. Основной причиной является следующая: Во вьетнамском языке, в словах, добавленных знаком (например «Chu»), при произношении иногда слог может быть разделён предложенным алгоритмом на два слога. Чтобы устранить эти недостатки, необходимо ввести минимальное расстояние между двумя слогами для фраз, состоящих из двух слов.

— Распознавание по предложенным методам не учитывает фактор движения формант в слогах.

Несмотря на существующие недостатки в предложенных методах распознавания, но точность распознавания достаточно высокая. Это позволяет сделать вывод, что методы анализа являются правильными.

По теме достигнуты определенные результаты, они имеют определенное значение для изучения и разработки проблемы распознавания речи особенно во Вьетнаме.