عنوان
بهبود رمزگشاي بازشناسي گفتار با استفاده از مدل زباني
نويسنده اصلي
سينا پيري
مقطع تحصيلي
كارشناسي ارشد
چكيده
بازشناسي خودكار گفتار يكي ااز زمينه هاي تحقيقاتي در پردازش گفتار مي باشد و هدف اصلي آن
تبديل سيگنال گفتار به دنباله اي از كلمات مي باشد. سامانه هاي مورد استفاده در بازشناسي گفتار داراي چندين مولفه از جمله پيش پردازش صوت، مدل صوتي، لغت نامه ، مدل زباني و رمزگشا مي باشند. در سال هاي اخير گرايش زيادي به سامانه هاي جديدي تحت عنوان سامانه هاي انتها به انتها (E2E (در حوزه تحقيقات ASR به وجود آمده است. يك سامانه E2E بازشناسي گفتار دنباله ورودي ويژگي هاي صوتي را به دنباله ي خروجي احتمالات نشانه هاي (واج ها، حروف و يا كلمات) تبديل مي كند. يͺ ͬاز روش ها بر پايه سامانه هاي E2E يك شبكه عصبي را با استفاده از تابع خطاي رده بندي زماني اتصال گرا (CTC (آموزش مي دهد. زماني كه دنباله ورودي ناشناخته شبكه آموزش ديد، بايستي رمزگشا با انتخاب محتمل ترين برچسب زني مانند
مانند x را برچسب بزند. براي رمزگشايي CTC الگوريتم هاي متفاوت رمزگشايي نظير الگوريتم رمزگشايي بهترين مسير و جستجوي پرتوي پيشوند(PBS (به عنوان روش هاي پايه معرفي شده اند. در روش PBS ، سعي بر كاهش خطاي حاصل شده از CTC با استفاده از مدل زباني مي باشد.
در اين پايان نامه به اصلاح الگوريتم رمزگشايي PBS و بهبود آن با اعمال جريمه به احتمال كلمات خارج از واژگان (OOV (مدل زباني پرداختيم. كلماتي كه توسط بازشناس گفتار به صورت اشتباه تشخيص داده مي شوند، در بسياري از مواقع به كلماتي تبديل مي شوند كه در مدل زباني وجود ندارند يا به عبارتي ديگر كلمات
OOV مي باشند. از اين رو اعمال جريمه بر احتمال اين كلمات، احتمال جمله هايي كه بازشناس اشتباه كرده را
كم مي كند. براي پياده سازي روش پيشنهادي، ابتدا ساختار الگوريتم PBS را اصلاح مي كنيم. سپس با در نظر
گرفتن احتمال كلمات OOV و اعمال جريمه بر احتمال آن ها در رمزگشايي سعي در بهبود نتيجه مورد نظر
داريم. در ادامه سعي بر تنظيم مقدار جريمه با استفاده از آنتروپي خروجي CTC داريم. روش پيشنهادي موجب
بهبود خروجي رمزگشا و كاهش خطا نسبت به الگوريتم PBS شده است. در مجموعه دادگان Librispeech
نرخ خطاي كلمه از(WER (١٠٫٠٧٩ در روش PBS به ٩٫۴۴٠ و در مجموعه دادگان LIUM-TED
نرخ خطاي كلمه از ٢٨٫٨٩۴ به ٢٨٫١٧٢رسيده است. در ديگر معيار ارزيابي نرخ خطاي حرف (CER (نيز
در مجموعه دادگان Librispeech از ٢٫٧٣۵ به ٢٫۶۶٩و در مجموعه دادگان LIUM-TED از ٨٫٩٨٠ به
٨٫٨٠١ رسيده است.
شماره ركورد
192552
دانشگاه
دانشگاه علم و صنعت ايران
استاد مشاور
دكتر بابك ناصرشريف
رشته تحصيلي
هوش مصنوعي
استاد راهنما
دكتر احمد اكبري ازيراني