Робастное обнаружение конечных точек и нормализация энергии для распознавания речи и диктора в реальном времени

При применении автоматического распознавания речи (ASR) и верификации диктора (SV) в неблагоприятных акустических условиях обнаружение конечных точек и нормализация энергии могут иметь решающее значение для функционирования обеих систем. В средах с низким отношением сигнал/шум (SNR) и нестационарными характеристиками традиционные методы обнаружения конечных точек и нормализации энергии часто дают сбои, а качество ASR обычно резко снижается. Цель данной работы — решить проблему обнаружения конечных точек. Для ASR предложен подход, работающий в реальном времени. Он использует оптимальный фильтр совместно с трехсостоянийной диаграммой переходов для обнаружения конечных точек. Фильтр разработан с учетом нескольких критериев, обеспечивающих точность и робастность. Его отклик практически инвариантен при различных уровнях фонового шума. Обнаруженные конечные точки затем последовательно используются для нормализации энергии. Результаты оценки показывают, что предложенный алгоритм значительно снижает частоту строковых ошибок в условиях низкого SNR. В нескольких исследованных базах данных снижение превышает 50%. Для SV предложен пакетный подход. Он использует оптимальный фильтр совместно с двухкомпонентной энергетической моделью для обнаружения конечных точек. Эксперименты показывают, что пакетный алгоритм обнаруживает конечные точки с такой же точностью, как принудительное выравнивание на основе скрытой марковской модели (HMM), при этом предложенный метод имеет значительно меньшую вычислительную сложность.