Распознавание речи

«… очевидно, что алгоритмы обработки речевого сигнала в модели восприятия речи должны использовать ту же систему понятий и отношений, которой пользуется человек»[8][9].

Сегодня системы распознавания речи строятся на основе принципов признания^[кем?] форм распознавания^{[неизвестный термин]}. Методы и алгоритмы, которые использовались до сих пор, могут быть разделены на следующие большие классы:[10][11]

Классификация методов распознавания речи на основе сравнения с эталоном.

• Динамическое программирование — временные динамические алгоритмы (Dynamic Time Warping).

Контекстно-зависимая классификация. При её реализации из потока речи выделяются отдельные лексические элементы — фонемы и аллофоны, которые затем объединяются в слоги и морфемы.

• Методы дискриминантного анализа, основанные на Байесовской дискриминации (Bayesian discrimination);
• Скрытые Марковские модели (Hidden Markov Model);
• Нейронные сети (Neural networks).

Алгоритм динамической трансформации временной шкалы используется для определения того, речевые сигналы представляют одну и ту же исходную произнесённую фразу.

Одна из архитектур систем автоматической обработки речи, основанной на статистических данных, может быть следующей.[12][13]

• Модуль шумоочистки и отделение полезного сигнала.
• Акустическая модель — позволяет оценить распознавание речевого сегмента с точки зрения схожести на звуковом уровне. Для каждого звука изначально строится сложная статистическая модель, которая описывает произнесение этого звука в речи.
• Языковая модель — позволяют определить наиболее вероятные последовательности слов. Сложность построения языковой модели во многом зависит от конкретного языка. Так, для английского языка, достаточно использовать статистические модели (так называемые N-граммы). Для высокофлективных языков (языков, в которых существует много форм одного и того же слова), к которым относится и русский, языковые модели, построенные только с использованием статистики, уже не дают такого эффекта — слишком много нужно данных, чтобы достоверно оценить статистические связи между словами. Поэтому применяют гибридные языковые модели, использующие правила русского языка, информацию о части речи и форме слова и классическую статистическую модель.
• Декодер — программный компонент системы распознавания, который совмещает данные, получаемые в ходе распознавания от акустических и языковых моделей, и на основании их объединения, определяет наиболее вероятную последовательность слов, которая и является конечным результатом распознавания слитной речи.

Этапы распознавания[12]

1. Обработка речи начинается с оценки качества речевого сигнала. На этом этапе определяется уровень помех и искажений.
2. Результат оценки поступает в модуль акустической адаптации, который управляет модулем расчета параметров речи, необходимых для распознавания.
3. В сигнале выделяются участки, содержащие речь, и происходит оценка параметров речи. Происходит выделение фонетических и просодических вероятностных характеристик для синтаксического, семантического и прагматического анализа. (Оценка информации о части речи, форме слова и статистические связи между словами.)
4. Далее параметры речи поступают в основной блок системы распознавания — декодер. Это компонент, который сопоставляет входной речевой поток с информацией, хранящейся в акустических и языковых моделях, и определяет наиболее вероятную последовательность слов, которая и является конечным результатом распознавания.

Спектральные признаки:

• Среднее значение спектра анализируемого речевого сигнала;
• Нормализованные средние значения спектра;
• Относительное время пребывания сигнала в полосах спектра;
• Нормализованное время пребывания сигнала в полосах спектра;
• Медианное значение спектра речи в полосах;
• Относительная мощность спектра речи в полосах;
• Вариация огибающих спектра речи;
• Нормализованные величины вариации огибающих спектра речи;
• Коэффициенты кросскорреляции спектральных огибающих между полосами спектра.

Временные признаки:

• Длительность сегмента, фонемы;
• Высота сегмента;
• Коэффициент формы сегмента.

Спектрально-временные признаки характеризуют речевой сигнал в его физико-математической сущности исходя из наличия компонентов трех видов:

1. периодических (тональных) участков звуковой волны;
2. непериодических участков звуковой волны (шумовых, взрывных);
3. участков, не содержащих речевых пауз.

Спектрально-временные признаки позволяют отражать своеобразие формы временного ряда и спектра голосовых импульсов у разных лиц и особенности фильтрующих функций их речевых трактов. Характеризуют особенности речевого потока, связанные с динамикой перестройки артикуляционных органов речи говорящего, и являются интегральными характеристиками речевого потока, отражающими своеобразие взаимосвязи или синхронности движения артикуляционных органов говорящего.

• Мел-частотные кепстральные коэффициенты;
• Коэффициенты линейного предсказания с коррекцией на неравномерность чувствительности человеческого уха;
• Коэффициенты мощности частоты регистрации;
• Коэффициенты спектра линейного предсказания;
• Коэффициенты кепстра линейного предсказания.

Большинство современных автоматических систем распознавания речи сосредотачивают усилия на извлечении частотной характеристики речевого тракта человека, отбрасывая при этом характеристики сигнала возбуждения. Это объяснено тем, что коэффициенты первой модели обеспечивают лучшую разделимость звуков. Для отделения сигнала возбуждения от сигнала речевого тракта прибегают к кепстральному анализу.

• Интенсивность, амплитуда
• Энергия
• Частота основного тона (ЧОТ)
• Формантные частоты
• Джиттер (jitter) — дрожание частотная модуляция основного тона (шумовой параметр);
• Шиммер (shimmer) — амплитудная модуляция на основном тоне (шумовой параметр);
• Радиальная базисная ядерная функция
• Нелинейный оператор Тигер

Амплитудно-частотные признаки позволяют получать оценки, значения которых могут меняться в зависимости от параметров дискретного преобразования Фурье (вида и ширины окна), а также при незначительных сдвигах окна по выборке. Речевой сигнал акустически представляют собой распространяемые в воздушной среде сложные по своей структуре звуковые колебания, которые характеризуются в отношении их частоты (числа колебаний в секунду), интенсивности (амплитуды колебаний) и длительности. Амплитудно-частотные признаки несут необходимую и достаточную информацию для человека по речевому сигналу при минимальном времени восприятия. Но применение этих признаков не позволяет в полной мере использовать их в качестве инструмента идентификации эмоционально окрашенной речи.

• Отображение Пуанкаре;
• Рекуррентный график;
• Максимальный характеристический показатель Ляпунова — Эмоциональное состояние человека, которому соответствует определенная геометрия аттрактора (фазовый портрет);[16]
• Фазовый портрет (аттрактор);
• Размерность Каплана-Йорка — количественная мера эмоционального состояния человека, от «спокойствия» до «гнева» (деформация и последующее смещение спектра речевого сигнала).[16].

Для группы признаков нелинейной динамики речевой сигнал рассматривается как скалярная величина, наблюдаемая в системе голосового тракта человека. Процесс речеобразования можно считать нелинейным и анализировать его методами нелинейной динамики. Задача нелинейной динамики состоит в нахождении и подробном исследовании базовых математических моделей и реальных систем, которые исходят из наиболее типичных предложений о свойствах отдельных элементов, составляющих систему, и законах взаимодействия между ними. В настоящее время методы нелинейной динамики базируются на фундаментальной математической теории, в основе которой лежит теорема Такенса, которая подводит строгую математическую основу под идеи нелинейной авторегрессии и доказывает возможность восстановления фазового портрета аттрактора по временному ряду или по одной его координате. (Под аттрактором понимают множество точек или подпространство в фазовом пространстве, к которому приближается фазовая траектория после затухания переходных процессов.) Оценки характеристик сигнала из восстановленных речевых траекторий используются в построении нелинейных детерминированных фазово-пространственных моделей наблюдаемого временного ряда. Выявленные отличия в форме аттракторов можно использовать для диагностических правил и признаков, позволяющих распознать и правильно идентифицировать различные эмоции в эмоционально окрашенном речевом сигнале.

Параметры качества речи по цифровым каналам: [17]

• Слоговая разборчивость речи;
• Фразовая разборчивость речи;
• Качество речи по сравнению с качеством речи эталонного тракта;
• Качество речи в реальных условиях работы.

• Разборчивость речи — относительное количество правильно принятых элементов речи (звуков, слогов, слов, фраз), выраженное в процентах от общего числа переданных элементов.
• Качество речи — параметр, характеризующий субъективную оценку звучания речи в испытуемой системе передачи речи.
• Нормальный темп речи — произнесение речи со скоростью, при которой средняя длительность контрольной фразы равна 2,4 с.
• Ускоренный темп речи — произнесение речи со скоростью, при которой средняя длительность контрольной фразы равна 1,5-1,6 с.
• Узнаваемость голоса говорящего — возможность слушателей отождествлять звучание голоса, с конкретным лицом, известным слушателю ранее.
• Смысловая разборчивость — показатель степени правильного воспроизведения информационного содержания речи.
• Интегральное качество — показатель, характеризующий общее впечатление слушателя от принимаемой речи.