[pt] Este trabalho apresenta um estudo comparativo de três
técnicas de melhoria das taxas de reconhecimento de voz em
ambiente adverso, a saber: Normalização da Média Cepestral
(CMN), Subtração Espectral e Regressão Linear no Sentido da
Máxima Verossimilhança (MLLR), aplicadas isoladamente e em
concomitância, duas a duas. Os testes são realizados usando
um sistema simples: reconhecimento de palavras isoladas
(dígitos de zero a nove, e meia), modo dependente do
locutor, modelos ocultos de Markov do tipo contínuo, e
vetores de atributos com doze coeficientes cepestrais
derivados da análise de predição linear. São adotados três
tipos de ruído (gaussiano branco, falatório e de fábrica)
em nove razões sinal-ruído diferentes. Os resultados
experimentais demonstram que o emprego isolado das técnicas
de reconhecimento robusto é, em geral, vantajoso, pois nas
diversas razões sinal-ruído para as quais os testes são
efetuados, quando as taxas de reconhecimento não sofrem um
acréscimo, mantém-se as mesmas obtidas quando não se aplica
nenhum método de aumento da robustez. Analisando-se
comparativamente as implementações isoladas e simultânea
das técnicas, constata-se que a simultânea nem sempre é
atraente, dependendo da dupla empregada. Apresentam-se,
ainda, os resultados decorrentes do uso de modelos
ruidosos, observando-se que, embora sejam inegavelmente
melhores, sua utilização é inviável na prática. Das
técnicas implementadas, a que representa resultados mais
próximos ao emprego de modelos ruidosos é a MLLR, seguida
pela CMN, e por último pela Subtração Espectral. Estas
últimas, embora percam em desempenho para a primeira,
apresentam como vantagem a simplicidade e a generalidade.
No que concerne as técnicas usadas concomitantemente, a
dupla Subtração Espectral e MLLR é a considerada de melhor
performance, pois mostra-se conveniente em relação ao
emprego isolado de ambos os métodos, o que nem sempre
ocorre com o uso de outras combinações das técnicas
individuais. / [en] This work presents a comparative study of three techniques
for improving the speech recognition rates in adverse
environment, namely: Cepstral Mean Normalization (CMN),
Spectral Subtraction and Maximum Likelihood Linear
Regression (MLLR). They are implemented in two ways:
separately and in pairs. The tests are carried out on a
simple system: recognition of isolated words (digits from
zero to nine, and the word half), speaker-dependent mode,
continuous hidden Markov models, and speech feature vectors
with twelve cepstral coefficients derived from linear
predictive analysis. Three types of noise are considered
(the white one, voice babble and from factory) at nine
different signal-to-noise ratios. Experimental result
demonstrate that it is worth using separately the
techniques of robust recognition. This is because for all
signal-to-noise conditions when the recognition accuracy is
not improved it is the same one obtained when no method for
increasing the robustness is applied. Analyzing
comparatively the isolated and simultaneous applications of
the techniques, it is verified that the later is not always
more attractive than the former one. This depends on the
pair of techniques. The use of noisy models is also
considered. Although it presents better results, it is not
feasible to implement in pratical situations. Among the
implemented techniques, MLLR presents closer results to the
ones obtaneid with noisy models, followed by CMN, and, at
last, by Spectral Subtraction. Although the two later ones
are beaten by the first, in terms of recognition accuracy,
their advantages are the simplicity and the generality. The
use of simultaneous techniques reveals that the pair
Spectral Subtraction and MLLR is the one with the best
performance because it is superior in comparison with the
individual use of both methods. This does not happen with
other combination of techniques. / [es] Este trabajo presenta un estudio comparativo de tres
técnicas de mejoría de las tasas de reconocimiento de voz
en ambiente adverso, a saber: Normalización de la Media
Cepextral (CMN), Substracción Espectral y Regresión Lineal
en el Sentido de la Máxima Verosimilitud (MLLR), aplicadas
separada y conjuntamente, dos a dos. Las pruebas son
realizados usando un sistema simple: reconocimiento de
palabras aisladas (dígitos de cero al nueve, y media), de
modo dependiente del locutor, modelos ocultos de Markov de
tipo contínuo, y vectores de atributos con doce
coeficientes cepextrales derivados del análisis de
predicción lineal. Se adoptan tres tipos de ruido (gausiano
blanco, parlatorio y de fábrica) en nueve razones señal-
ruido diferentes. Los resultados experimentales demuestran
que el empleo aislado de las técnicas de reconocimiento
robusto es, en general, ventajoso, pues en las diversas
relaciones señal ruido para las cuales las pruebas son
efetuadas, cuando la tasa de reconocimiento no aumenta,
manteniendo las mismas tasas cuando no se aplica ningún
método de aumento de robustez. Analizando comparativamente
las implementaciones aisladas y simultáneas de las
técnicas, se constata que no siempre la simultánea resulta
atractiva, dependiendo de la dupla utilizada. Se presentan
además los resultados al utilizar modelos ruidosos,
observando que, aunque resultan mejores, su utilización em
la práctica resulta inviable. De las técnicas
implementadas, la que presenta resultados más próximos al
empleo de modelos ruidosos es la MLLR, seguida por la CMN,
y por último por la Substracción Espectral. Estas últimas,
aunque tienen desempeño peor que la primera, tienen como
ventaja la simplicidad y la generalidad. En lo que se
refiere a las técnicas usadas concomitantemente, la dupla
Substracción Espectral y MLLR es la de mejor performance,
pues se muestra conveniente en relación al empleo aislado
de ambos métodos, lo que no siempre ocurre con el uso de
otras combinaciones de las técnicas individuales.
Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:1987 |
Date | 02 October 2001 |
Creators | DEBORA ANDREA DE OLIVEIRA SANTOS |
Contributors | ABRAHAM ALCAIM |
Publisher | MAXWELL |
Source Sets | PUC Rio |
Language | Portuguese |
Detected Language | Spanish |
Type | TEXTO |
Page generated in 0.0028 seconds