Быстрый алгоритм распознавания голосовых команд на основе стационарного распределения скрытой марковской модели
Аннотация
За последние несколько десятилетий скрытые марковские модели (СММ) стали доминирующей технологией в автоматическом распознавании речи (АРР). Современные решения, основанные на СММ, используют гауссовы смеси для моделирования акустической вариативности речи. Применение в АРР глубоких нейронных сетей для построения акустических моделей позволило превзойти показатели качества, демонстрируемые моделями на основе гауссовых смесей в распознавании с большим словарем. Данные алгоритмы обладают чрезвычайно высокой вычислительной сложностью, что делает невозможным их реализацию в системах голосового управления для устройств с малой вычислительной мощностью. Настоящая работа посвящена алгоритму распознавания изолированных слов с малой вычислительной сложностью. Описаны все компоненты распознавателя изолированных слов. В качестве признакового описания речевого сигнала использована последовательность квантованных мелкепстральных коэффициентов (MFCC). Предложен быстрый алгоритм распознавания изолированных слов, основанный на стационарном распределении скрытой марковской модели. Он обладает линейной сложностью относительно длины наблюдаемой последовательности и требует значительно меньше памяти, чем модели на гауссовых смесях или глубоких нейросетях. Выполнена оценка качества распознавания на корпусе TIMIT и сформированной базе русских слов. Доказано, что предложенный алгоритм слабо уступает по качеству распознавания моделям гауссовых смесей и превосходит по этому показателю самонастраиваемые нейронные сети.
Литература
2. Hinton G. e. a. Deep Neural Networks for Acoustic Modeling in Speech Recognition // IEEE Signal Proc. 2012. V. 29. No. 6. Pp. 82—97.
3. Mohamed A., Dahl G.E., Hinton G. Acoustic Modeling Using Deep Belief Networks // IEEE Trans. Audio, Speech and Language Proc. 2012. V. 20. No. 1. Pp. 14—22.
4. Hinton G., Bengio Y., Le Cun Y. Deep Learning // Nature. 2015. V. 521. Pp. 436—444.
5. Вагин В.Н., Ганишев В.А. Кластеризация пользователей по голосу с помощью улучшенных самоорганизующихся растущих нейронных сетей // Программные продукты и системы. 2015. № 3. C. 136—141.
6. Mohammadi M., Sadegh Mohammadi H.R. Study of Speech Features Robustness for Speaker Verification Application in Noisy Environments // Proc. 8 th Intern. Symp. Telecommunications. 2016. Pp. 489—493.
7. Molau S., Pitz M., Schlüter R., Ney H. Computing Mel-frequency Cepstral Coefficients on the Power Spectrum // IEEE Intern. Conf. Acoustics, Speech and Signal Proc. 2001. V. 1. Pp. 73—76.
8. Paramonov P., Sutula N. Simplified Scoring Methods for HMM-based Speech Recognition // Soft Computing. 2016. V. 20. Pp. 3455—3460.
9. Bertsekas D., Tsitsiklis J. Introduction to Probability. Belmont: Athena Sci., 2008.
10. Рабинер Л.Р. Скрытые марковские модели и их применение в избранных приложениях при распознавании речи: обзор // Труды ин-та инженеров по электротехнике и радиоэлектронике. 1989. Т. 77. № 2. С. 86—120.
11. Ting H.-N., Yong B.-F., Mirhassani S.M. Self-adjustable Neural Network for Speech Recognition // Engineering Appl. Artificial Intelligence. 2013. V. 26. Pp. 2022—2027.
12. Murphy K.P. Machine Learning: a Probabilistic Perspective. Cambridge, Massachusetts, London: MIT Press, 2012.
---
Для цитирования: Парамонов П.А., Огнев И.В. Быстрый алгоритм распознавания голосовых команд на основе стационарного распределения скрытой марковской модели // Вестник МЭИ. 2018. № 5. С. 61. Dahl G.E., Yu D., Deng L., Acero A. Context dependent Pre-trained Deep Neural Networks for Large- vocabulary Speech Recognition. IEEE Trans. Audio, Speech and Language Proc. 2012;20;1:30—42.
2. Hinton G. e. a. Deep Neural Networks for Acoustic Modeling in Speech Recognition. IEEE Signal Proc. 2012;29;6:82—97.
3. Mohamed A., Dahl G.E., Hinton G. Acoustic Modeling Using Deep Belief Networks. IEEE Trans. Audio, Speech and Language Proc. 2012;20;1:14—22.
4. Hinton G., Bengio Y., Le Cun Y. Deep Learning. Nature. 2015;521:436—444.
5. Vagin V.N., Ganishev V.A. Klasterizatsiya Pol'zovateley po Golosu s Pomoshch'yu Uluchshennykh Samoorganizuyushchikhsya Rastushchikh Neyronnykh Setey. Programmnye Produkty i Sistemy. 2015;3:136—141. (in Russian).
6. Mohammadi M., Sadegh Mohammadi H.R. Study of Speech Features Robustness for Speaker Verification Application in Noisy Environments. Proc. 8 th Intern. Symp. Telecommunications. 2016:489—493.
7. Molau S., Pitz M., Schlüter R., Ney H. Computing Mel-frequency Cepstral Coefficients on the Power Spectrum. IEEE Intern. Conf. Acoustics, Speech and Signal Proc. 2001;1:73—76.
8. Paramonov P., Sutula N. Simplified Scoring Methods for HMM-based Speech Recognition. Soft Computing. 2016;20:3455—3460. 9. Bertsekas D., Tsitsiklis J. Introduction to Probability. Belmont: Athena Sci., 2008.
10. Rabiner L.R. Skrytye Markovskie Modeli i Ikh Primenenie v Izbrannykh Prilozheniyakh pri Raspoznavanii Rechi: Obzor. Trudy In-ta Inzhenerov po Elektrotekhnike i Radioelektronike. 1989;77;2:86—120. (in Russian).
11. Ting H.-N., Yong B.-F., Mirhassani S.M. Self-adjustable Neural Network for Speech Recognition. Engineering Appl. Artificial Intelligence. 2013;26:2022—2027.
12. Murphy K.P. Machine Learning: a Probabilistic Perspective. Cambridge, Massachusetts, London: MIT Press, 2012.
---
For citation: Paramonov Р.А., Ognev I.V. A Fast Voice Command Recognition Algorithm Based on the Hidden Markov Model Stationary Distribution. MPEI Vestnik. 2018;5:65—72. (in Russian). DOI: 10.24160/1993-6982-2018-5-65-72.
