Введение 4
1. Основные понятия 5
1.1. Структура речи 5
1.2. Распознавание 6
1.3. Модели, соответствующие структуре речи 6
1.4. Используемая метрика 7
2. Обзор существующих систем 8
2.1. HTK 8
2.2. CMUSphinx 8
2.3. Kaldi 8
2.4. Julius 9
3. Система CMUSphinx 10
3.1. FrontEnd 10
3.2. Linguist 11
3.3. Decoder 12
4. Эксперименты 13
4.1. Экспериментальные данные 13
4.1.1. EUSTACE 13
4.1.2. Santa Barbara Corpus of Spoken American English 13
4.2. Эксперименты 13
5. Результаты 15
6. Заключение 17
Список литературы 18
Автоматическое распознавание речи представляет собой актуальную задачу, связанную с множеством различных приложений, таких как, например, голосовое управление, автоматическая генерация субтитров к видеоматериалам, перевод аудиозаписи
в текст и т.п. При этом качество аудиозаписи может сильно разниться в зависимотсти
от формата. Записи спонтанной речи часто сопровождаются шумом от окружающей
обстановки и звукозаписывающей аппаратуры. Например, записи с различного рода
конференций содержат не только речь докладчика, но и звуки разговоров на фоне,
звуки передвигаемой мебели, иногда помехи микрофона и т.п. Кроме того говорящий
может запинаться, менять темп речи. Так как эти факторы влияют на восприятие
речи человеком, естественно, что они же будут влиять и на автоматическое распознавание.
В данной работе под качеством аудиозаписи подразумеваются:
• наличие/отсутствие шума на аудиодорожке и его уровень,
• речевые особенности говорящих.
Шум может быть связан с аппаратурой, используемой при записи. У микрофонов
есть собственный уровень шума, кроме него качество записи звука уменьшается при
отсутствии защиты микрофона: поп-фильтров, звукозаглушающих решёток,– так как
кроме речи записывается звук дыхания. Шумы могут исходить от окружающей обстановки. Например, если одновременно говорят несколько человек, понять речь хотя
бы одного довольно сложно. Также распознавание речи затрудняют речевые дефекты
(сигматизмы, ротацизм), акцент говорящего. Наиболее распространёнными оказываются записи, сочетающие несколько из вышеперечисленных факторов.
Системы распознавания речи нередко обучают и тестируют на данных с минимальным уровнем шума, как, например, HUB-4 [1,6] или TIMIT [2,3], и дикторским
произношением (HUB-4 или AN4 [5]). При этом естественно возникает вопрос: каково
качество распознавания данных более низкого качества у таких систем? В данной
работе будет исследоваться система распознавания речи CMUSphinx [4,5], развивающаяся уже несколько десятилетий. Необходимо исследовать, насколько эффективно
данная система будет работать с данными, более приближенными к реальной жизни: зашумлённые записи, спонтанная речь. Под эффективностью будет пониматься
точность распознавания речи (WER - Word Error Rate)
В перспективе имеется приложение использовать тексты, полученные в результате
распознавания речи какой-либо системой, для автоматической обработки (например,
для поиска). Для этого система распознавания речи должна обладать достаточно
высокой точностью. В данной работе была рассмотрена система CMUSphinx, обладающая высокими показателями точности на данных высокого качества (как показано
в [5]). Показатели WER для слабозашумлённых данных (корпус EUSTACE) оказались близки к 30%, что является препятствием для эффективной автоматической
обработки текста. Результаты WER для зашумлённых и сильнозашумлённых данных с разнообразными речевыми особенностями говорящих (Santa Barbara Corpus of
Spoken American English) – почти 50% – являются неприемлемо высокими и делают автоматическую обработку полученных текстов бессмысленными. Таким образом,
необходимо производить дополнительную обработку аудиосигнала для уменьшения
уровня шума. При этом во всех аудиозаписях оказались улучшены результаты WER
при адаптации акустической модели, что свидетельствует о состоятельности методов
адаптаций применительно к данным различного качества.
