задачи.
Стало традиционным классифицировать системы автоматического
распознавания речи на адаптивные, работающие с подстройкой под диктора
и словарь, и неадаптивные, обеспечивающие работу с произвольным
диктором-носителем нормы произношения данного языка. К практическим
системам первого типа относятся vip- юо, WRS и ИКАР, СРД-1, МАРС, к
неадаптивным - экспериментальные системы лаборатории Bell, ВЦ и ИППИ АН
СССР, устройство фирмы Dialog Systems . Следует отметить, что
системы автоматического распознавания речи пока не получили широкого
распространения, хотя и выпускаются с 1973 г. серийно.
Более доведенными до уровня коммерческих образцов являются системы
автоматического речевого ответа, т.е. системы, основанные на
автоматическом синтезе речи. Промышленность США и Японии выпускает большими
партиями синтезаторы речи, ориэнтированные на самое разнообразное
применение, - от детских игрушек,оснащенных голосовым выводом, до мощных
информационных систем, отвечающих голосом по речевому запросу
пользователя. В основе современных
б
коммерческих систем речевого ответа лежат три основных способа синтеза -
непосредственное кодирование речевой волны (дискретизация и сжатие),
формантный синтез и синтез, основанный на линейном предсказании [5].
(Подробное описание достижений науки и промышленности в области
автоматического синтеза речи дано
в § 1.4).
В пятой главе подробно рассматриваются особенности разработанной
авторами экспериментальной запросной системы речевого ввода, работающей с
проблемно-ориентированным языком, словарный запас которого составляет 120
слов. Система базируется на аппаратурно-программном методе
распознавания, использующем информативные признаки речевых отрезков
^23,13,9?].
§ I. W l•/•л-номера соответственно признака,
сегмента в слове и слова во фразе.
Процесс распознавания слов начинался с выбора эталонов -претендентов,
идентичных входной реализации, и кодов макровре-ненной структуры и
отличных от нее числом квазифонетичвских сегментов на величину не более
заданного порога. Наиболее вероятные пары гипотез о слове принимались
методом динамического программирования. При этом учитывались лексические
ограничения на место слова во фразе. Далее блок семантико-синтаксического
анализа принимал решение об истинной последовательности слов во фразе. При
работе с шестью операторами и обучении системы на каждом из них
надежность распознавания слов составила 8836,а надежность распознавания
фраз за счет блока лингвистического анализа - 95%. Точность верификации
диктора по произвольной фразе - 96%. Система устойчива к внешним шумам
до 65 дБ.
Другая система, разработанная в Институте систем управления АН
ГрузССР,способна работать при более высоком урочне шумов (до 100 дБ и
выше) СЗб]. Основной особенностью этой системы распознавания фраз,
произносимых с паузами между словами, было наличие комплекса
помехозащищенных датчиков, который обеспечил приемлемое отношение
сигнал/шум на входе системы распознавания. В качестве приемника речевой
информации применялся ларингофон ЛЭМ-3, а также дополнительные
помехозащитные признаки устной речи, в качестве которых использовались
артикуляционные характеристики ре-чеобразования. Бесконтактные датчики
позволяли выделять:
- признак, отражающий изменение величины раствора ротовой щели во
время произнесения неогубя°нных звуков;
- признак степени огубяения;
- признак скорости воздушного потока у потового отверстия [42].
Зак.480
17
Изучение свойств речевого сигнала в пространстве выбранных признаков
позволило разработать процедуру описания слов, обеспечивающую
восстановление как макровременной (имеется в виду пос-хедовательность
звонких и глухих участков, а также пауз),так и квазифонемной структуры
речи. При испытании систем [ЗЬ,??] выявилась высокая точность
распознавания фраз. К сожалению,обе системы реализованы на ЭВМ Ы-200,
обладающей малым объемом оперативной памяти и слабым быстродействием,
из-за чего время распознавания фраз было в 30 - 50 раз больше реального.
В ранках традиционного аппаратурно-программного направления
автоматического распознавания речи ведутся работы в ВЦ и Институте
проблем передачи информации АН СССР [13,67,6?] .В основе метода лежит
алгоритмическая обработка выделяемых специальной аппаратурой информативных
параметров коротких отрезков речевого сигнала (сегментов длительностью 10-
20 мс). Последовательность этих отрезков и составляет высказывание,
которое требуется дешифрировать. Параметры (признаки) сегментов
характеризуют (в большей или меньшей степени) параметры речеобразующего
тракта человека, определяющие особенности порождаемых звуков.
В Cl3] рассмотрены алгоритмы распознавания названий чисел от нуля до
ста, причем система предусматривает реальное время распознавания и
произвольного диктора. Алгоритм распознавания двухступенчатый и состоит
из блоков распознавания и подтверждения фонетической структуры
(верификации). Если гипотезируемое слово не подтверждается (блоком
верификации), то входная реализация сравнивается с другими словами,
близкими к ней в пространстве признаков, или подается сигнал переспроса.
При распознавании двухсловных сочетаний второе слово анализируется с конца
в направлении к его началу. Варианты произношения, на основании
которых создавался алгоритм, исследовались на материале около 2200
реализации названий чисел, произносимых 20 дикторами. В результате анализа
получены варианты произношения двузначных чисел. Многие из них
произносятся сравнительно единообразно и различаются степенью редукции
безударных гласных, степенью аффрицирова-ния мягких взрывных, наличием или
отсутствием смычек перед аффрикатами и т.д. В других числах может
существенно нарушаться фонетическая структура, пропуски отдельных
согласных.В условиях, когда возможно множество вариантов произнесения,
алгоритм должен использовать лишь наиболее употребительные варианты, в
которых сохраняются "оперные" звуки - ударные гласные, щелевые, взрывные, а
также начальные и конечные звуки.
I&
В OS?] рассмотрено использование речевого Управления в подсистеме АСУП
на базе мини-ЭВМ. Аппаратурно-программная система, разработанная в
Львовском ордена Ленина государственном университете им. И.Франко, уже
эксплуатируется. Система использует мини-ЭВМ ЕС-1010 в режиме реального
времени и параллельной работы около 90 производственных задач. Это
налагает жесткие условия на объем оперативной памяти, используемой для
программ обработки речевого сигнала (всего 10 Кбайт). Словарь системы
40 слов, которые могут быть организованы в командные фразы (5 слов во
фразе). Используется девять типов запроса, примерами которых могут быть:
"оперативная сводка выпуска", "ресурсы смены", "выходные характеристики
участка первой настройки" и т.п. Из-за жест-' ких ресурсов памяти система
ориентирована на работу с одним диктором, сформировавшим свои эталоны и
имеющим свой пароль. Работа системы в помещении машинного зала с уровнем
шумов 68-75 дБ показала надежность распознавания фраз, превышающую У0%, а
после переспроса - более 9Ь%.
Недостаточная надежность распознавания с первого ^^произнесения
обусловлена в основном упрощениями алгоритма распознавания, на
которые пришлось пойти ради экономии'места и оперативной памяти.
Аппаратурно-программное направление представлено также системой [33] ,
которая на первом уровне распознавания обнаруживала в словах сегменты и
классифицировала их по способу образования звуков на гласные, щелевые,
аффрикаты, дрожащие , а также глухие и звонкие. На втором этапе
некоторые звуки классифицировались внутри данной группы по месту их
образования. В результате каждому сегменту присваивалась Кодовая
последовательность,занимающая I байт. Четыре старших разряда этого кода
указывали групповую принадлежность данного звука, четыре младших
разряда определяли тип звука внутри данной группы.
Для распознавания слов образуется элементарная последовательность
псевдослогов, сравнивающаяся с эталонами последовательности. При
экспериментальной проверке работы система распознавания на материале 50 и
200 слов с участием трех дикторов она показала 93 и 84% точности
распознавания соответственно.Анализ ошибок показал, что в большей
части они вызвали неправильными формированиями сегментов контрольной
реализации или эталонов, возникающими при срабатывании системы до начала
произнесения от посторонних шумов или шумов дыхания.
Интерес к построении систем распознавания речи, работающих с
множеством дикторов,стали проявяять и исследователи, тради-
19
ционно работавшие с одним диктором. Т.К.Винцюк и соавторы [21] показали,
что в рамках существующей однодикторной системы фонемного распознавания
речи может быть создана многодикторная система распознавания, которую
авторы назвали кооперативной,поскольку система предварительно обучается по
выборке кооператива дикторов. Основные результаты экспериментов:
при индивидуальном обучении системы распознавания речи средняя
надежность распознавания по чужим дикторам не превышает 80% (на словаре
Страницы: 1, 2, 3, 4, 5, 6, 7, 8
