ارائه روشی مبتنی بر نرمال سازی اکوستیکی و خوشه بندی برای بهبود بازشناسی گفتار کودکان فارسی زبان

بررسی کاربردهای بازشناسی گفتار نشان دهنده تفاوتهای طیفی در سیگنال های گفتار کودکان می باشد. این تنوع، باعث ایجاد مشکلاتی در بازشناسی خودکار گفتار کودکان می شود. تجربه نشان داده در صورتی که از داده گفتار کودکان به عنوان ورودی در مدل های اکوستیکی استفاده شود که با گفتار بزرگسالان آموزش یافته اند، کارایی به اندازه قابل توجهی کاهش می یابد. به طور میانگین نرخ خطای کلمه برای بازشناسی گفتار کودکان دو تا چهار بار بیشتر از بزرگسالان است. میزان درستی بازشناسی گفتار در کودکان به عواملی مثل سن، جنسیت، فرکانس مبنایی و قد بستگی دارد. در این مقاله برخی از روش های افزایش کارایی بازشناسی گفتار کودکان شامل هنجارسازی طول محدوده صوتی (VTLN)، آموزش تطبیقی گوینده (SAT) و هنجارسازی گوینده بر اساس رگرسیون خطی با بیشترین درست نمایی محدود شده (CMLSN) مطرح و روش VTLN برای بهبود کارایی بازشناسی گفتار کودکان فارسی زبان پیاده سازی شده است. نهایتا روشی برمبنای ترکیب روش های هنجارسازی و خوشه بندی برای بازشناسی گفتار کودکان پیشنهاد شده است. با استفاده از خوشه بندی گفتار ورودی و تخصیص آن به مدل مناسب، درستی بازشناسی به طور متوسط 50% افزایش می یابد.