پیاده سازی زمان زنده یک سیستم بازشناسی گفتار گسسته ناوابسته به گوینده

طراحی و پیاده سازی سیستم های بازشناسی گفتار گسسته ناوابسته به گوینده و با دایره لغات وسیع (1000 تا 10000 کلمه) کلاسیک، دارای دو مشکل عمده می باشند؛ الف: زمان بر و هزینه بر بودن تهیه پایگاه داده گفتاری وسیع از تعداد زیادی گوینده (بین حداقل 100 تا 10000 نفر) جهت آموزش مطمئن سیستم؛ ب: عدم امکان اجرای زمان زنده مرحله بازشناسی بر روی رایانه های شخصی موجود. بدین لحاظ مطالعه و بررسی وسیعی در این تحقیق انجام گرفته است. برای حل مشکل (الف) از 50 تا 100 نفر گوینده (تعداد مردان 5/1 برابر زنان) که با منطق خاصی انتخاب شده اند، داده های گفتاری جامع (حدود 60-50 تلفظ برای هر کلمه توسط هر گوینده) تهیه گردید؛ آنگاه برای هر گوینده، یک سیستم بازشناسی وابسته به گوینده طراحی نمودیم؛ سپس با تلفیق مناسب گوینده های مرجع، یک سیستم ناوابسته به گوینده پیاده سازی نمودیم که دارای دقت بازشناسی4/97 درصد با انحراف معیار 1/2 درصد گردید. متاسفانه به علت استفاده از آموزش ML، سیستم در مرحله بازشناسی، به صورت زمان زنده، قابل اجرا (حجم محاسبات مرحله بازشناسی بسیار بالا است). جهت حل مشکل حجم محاسباتی، چندین روش گره زدن مخلوط ها را برای بازنمایی pdf حالات مدل HMM مورد توجه قرار دادیم. درانتها با تلفیق روش های گره زدن مخلوط ها و همچنین مدلسازی SCD و ایجاد ساختار های جستجوی سریع بر روی کتاب کد SCD، قادر به پیاده سازی زمان زنده سیستم در مرحله بازشناسی گردیدیم. استفاده از روش های زیر بهینه فوق الذکر صرفا موجب افت 5/1 درصدی راندمان بازشناسی گردید. درنتیجه سیستم نهایی طرحی شده، دارای دقت بازشناسی 9/95 درصد (درحالت ناوابسته به گوینده) و با انحرف معیار 8/2 درصد گردید. همین سیستم دارای دقت بازشناسی 5/98 درصد با انحراف معیار 2/1 در حالت وابسته به گوینده می باشد. سیستم طراحی شده بر روی رایانه شخصی (پنتیوم 4 با سرعت بالاتر از 4/2 گیگا هرتز و حافظه RAM حدود 512 مگا بایت) به صورت زمان زنده اجرا گردیده است.