Сочинение на тему Выявление ошибок в системах SR

Распознавание речи дает вывод текста на данный голос, короче говоря, это преобразование речи в текст (STT). Это полезно для глухих, немых и инвалидов. Этот проект призван повысить эффективность распознавания речи. Разработана система распознавания речи с собственным словарем для повышения эффективности системы распознавания речи. Ошибки обычно не только различаются по количеству, но также имеют различную степень влияния на оптимизацию набора акустических моделей. Важно исправить ошибки в результатах распознавания речи, чтобы повысить производительность системы распознавания речи. Ошибки обнаруживаются и исправляются в соответствии с базой данных, полученной из пар ошибочно-правильных высказываний. Во время работы системы распознавания речи отображаются значения и ошибки References и Hypothesis. Уравновешивая ошибки, мы можем улучшить точность распознавания речи. Удаляя тишину из речевого сигнала, мы можем улучшить точность речи.

Распознавание речи – это процесс преобразования произнесенных слов в текст. Распознавание речи – это анализ акустического речевого сигнала для определения лингвистического сообщения. Системы распознавания речи сравнивают произнесенные слова и текст, а затем дают точность. Эти системы распознавания играют жизненно важную роль в облегчении повседневной деятельности. Приложения распознавания речи включают в себя голосовой набор, маршрутизацию вызовов и голосовой поиск на основе контента, ввод данных, подготовку структурированных документов, обработку речи в текст и в кабинах самолетов. В дополнение к этому, система распознавания речи может использоваться для людей с нарушениями зрения, искалеченными руками. В слаборазвитых странах, где уровень грамотности является низким, это может обеспечить механизм доступа к информации для людей, которые не умеют читать и писать, а также для людей, которые могут быть грамотными, но не обладают компьютерными навыками.

Распознавание речи определяется как способность компьютера понимать произносимые команды или ответы, что является важным фактором взаимодействия человека с компьютером. SR был доступен в течение многих лет, но он не был практичным из-за высокой стоимости приложений и вычислительных ресурсов. СР значительно расширились в приложениях телефонии, преобразования голоса в текст. Повышение эффективности работников, которые выполняют обширную печать, помогают инвалидам и управляют колл-центрами за счет сокращения затрат на персонал, демонстрируют преимущества распознавания речи. Распознавание речи – это процесс, с помощью которого компьютер распознает произнесенные слова. По сути, это означает, что вы разговариваете с вашим компьютером и правильно понимаете, что вы говорите. Просто это преобразование Сигнал в Символ, т.е. принимает речь как ввод и дает текст как вывод.

Модели распознавания:

Зависимость от говорящего: системы распознавания речи, которые могут распознавать речь только тех пользователей, которых она обучила понимать, называются распознавателем речи, зависящим от говорящего. Ограниченный, чтобы понять выбранных ораторов.

Speaker Independent: программное обеспечение для распознавания речи, которое распознает множество динамиков без какой-либо подготовки, называется распознавателем речи, независимым от говорящего.

Скрытая модель Маркова:

Каждая система распознавания речи связана со скрытой марковской моделью:

Скрытая марковская модель – это вероятностный конечный автомат, который можно использовать для моделирования и распознавания речи. Рассматривайте речевой сигнал как последовательность наблюдаемых событий, генерируемых механической системой производства речи, которая переходит из одного состояния в другое при создании речи. Термин скрытый относится к тому факту, что состояние системы (т.е. конфигурация речевых артикуляторов) неизвестно наблюдателю речевого сигнала. Системы распознавания речи используют HMM для моделирования каждой звуковой единицы на языке. В HMM каждое состояние связано с распределением вероятностей, которое измеряет вероятность событий, сгенерированных этим состоянием. Эти распределения известны как выходные или наблюдательные распределения вероятностей. Каждое состояние также связано с набором вероятностей перехода. Учитывая текущее состояние, вероятности перехода моделируют вероятность того, что система будет в определенном состоянии, когда будет произведено следующее наблюдение. Как правило, гауссовые распределения используются для моделирования выходного распределения каждого состояния HMM. Вероятности перехода определяют скорость, с которой модель переходит из одного состояния в другое, что дает модели некоторую гибкость в отношении звуковых единиц, которые могут различаться по продолжительности.

HMM = (?, A, B)

<Р>? = вектор вероятностей начального состояния A = матрица перехода состояний B = матрица смешения В определениях HMM существуют три представляющие интерес проблемы:

Проблема оценки. Алгоритм прямого-обратного хода используется для определения вероятности того, что модель сгенерировала наблюдения для данной модели и последовательность наблюдений.

Проблема декодирования. Алгоритм Витерби может найти наиболее вероятную последовательность состояний в модели, которая произвела наблюдение для данной модели, и последовательность наблюдений.

Задача обучения: алгоритм Баума-Уэлча находит параметры модели таким образом, чтобы получить максимальную вероятность генерации наблюдений для данной модели и последовательности наблюдений.

(A) Алгоритм пересылки:

Прямой алгоритм вычисляет все возможные последовательности состояний длины, которые генерируют последовательность наблюдений, а затем суммирует все вероятности. Вероятность каждого пути является произведением вероятности последовательности состояний и совместной вероятности вдоль пути.

(B) Алгоритм Витерби: