Факторизация факторов диктора и шума для робастного распознавания речи

Системы распознавания речи должны работать в широком диапазоне условий. Поэтому они должны быть устойчивы к внешней вариативности, обусловленной различными акустическими факторами, такими как различия между дикторами, канал передачи и фоновый шум. Во многих сценариях несколько факторов одновременно влияют на лежащий в основе «чистый» речевой сигнал. В статье рассматриваются методы учета различий как между дикторами, так и в уровне фонового шума. Используется подход, основанный на акустической факторизации, в рамках которого отдельные преобразования предназначены для представления фактора диктора — линейной регрессии с максимальным правдоподобием (MLLR), — а также факторов шума и канала — модельного векторного ряда Тейлора (VTS). По сравнению со стандартными подходами, моделирующими совокупное воздействие факторов диктора и шума, этот подход отличается высокой гибкостью. Например, факторизация позволяет применять характеристики диктора, полученные в одном шумовом окружении, в другой среде. Для реализации такой факторизации выводятся модифицированные версии процедур обучения и применения MLLR и VTS. Предложенная схема оценивается как для адаптации, так и для факторизации на данных AURORA4.