Automaattinen puheentunnistus

Abstract

Tässä opinnäytetyössä käydään läpi tavanomaisen Markovin piilomalleihin pohjautuvan automaattisen puheentunnistusjärjestelmän toimintaperiaate. Työn tarkoituksena on antaa lukijalle yksinkertaistettu kuva nykyisten käytössä olevien tunnistimien toiminnasta ja tulevaisuuden kehityksen suunnasta.

Automaattinen puheentunnistus tai lyhyesti ASR on merkittävä tilastollisten ja hahmontunnistus menetelmien sovellus, joka mahdollistaa luonnollisen kielen käytön ihmisen ja koneen välisessä vuorovaikutuksessa. Puheentunnistusjärjestelmien ydin koostuu tilastollisilla menetelmillä estimoiduista malleista, jotka edustavat tunnistettavan puhekielen eri rakenneosia eli äänteitä, joita tunnistuksessa verrataan puhesignaalista laskettujen äänteiden ominaispiirteisiin. Markovin piilomallit tarjoavat yksinkertaisen ja tehokkaan tavan käsittelemään puheen ajallista vaihtelevuutta, jonka seurauksena lähes kaikki nykypäivän automaattisen jatkuvan puheentunnistusjärjestelmien tilastolliset äännemallit perustuvat Markovin piilomalleihin.

Tässä työssä tehdään aluksi lyhyt katsaus automaattisen puheentunnistuksen historian päävaiheisiin ja nykytilaan, jonka jälkeen työssä esitellään Markovin piilomalleihin (HMM) pohjautuvan automaattisten puheentunnistusjärjestelmän yleinen rakenne ja toiminta.

This thesis presents the architecture of conventional automatic speech recognition system based on the Hidden Markov Models. The aim of this work is to give the reader a simplified picture of modern recognizers and brief overview of future direction of development.

Automatic speech recognition is a significant application of statistical and learning pattern recognition methods, which allows the use of natural language between man and machine interaction. The core of speech recognition systems consists of a set of statistical models, which represents the various sounds of the recognizable language that during recognition are compared to the computed characteristics of sounds of the speech signal. Hidden Markov models provide a simple and effective way to deal with the temporal variability of the speech, as a consequence, almost all present day automatic continuous speech recognition systems statistical models are based on hidden Markov models.

In this work we will first take a brief overview of the main stages of the history and practical performance of modern speech recognition systems, and then the general architecture and operation of HMM–based speech recognition systems are presented.