Робастное распознавание говорящего: подход на основе признаков

Будущей коммерциализации технологий распознавания говорящего и речи препятствует значительное снижение производительности систем, обусловленное различиями в условиях окружающей среды между этапами обучения и тестирования. Это известно как «несогласованные условия». Исследования показали [1], что большинство современных систем обеспечивают высокую точность распознавания, если условия обучения аналогичны условиям эксплуатации (согласованные условия). Однако часто возникают несогласованные условия, при которых производительность резко снижается по сравнению с идеальными согласованными условиями. Распространённым примером такого несоответствия является обучение на чистой речи и тестирование на речи, искажённой шумом или характеристиками канала. Методы робастной обработки речи [2] направлены на сохранение производительности системы обработки речи при разнообразных условиях эксплуатации. В статье представлен обзор современных систем распознавания говорящего и проблем, возникающих при их эксплуатации; основное внимание уделено процессу извлечения признаков на переднем конце робастных методов обработки речи как способу повышения качества. Рассматривается линейный предиктивный (LP) анализ — первый этап извлечения признаков, — и описываются различные робастные кепстральные признаки, получаемые из LP-коэффициентов. Также описывается аффинное преобразование — подход к преобразованию признаков, учитывающий несоответствие условий и позволяющий одновременно компенсировать искажения, вызванные каналом и шумом.