Acoustical and Environmental Robustness in Automatic Speech Recognition

نیاز به قوی بودن سیستم‌های تشخیص خودکار گفتار با توجه به تغییرات در محیط صوتی آنها در سال‌های اخیر بیشتر مورد توجه قرار گرفته است، زیرا سیستم‌های بیشتری در حال یافتن راه خود در کاربردهای عملی هستند. اگرچه مسئله استحکام محیطی تنها بخش کوچکی از توجه به استقلال سخنران را به خود معطوف کرده است، حتی سیستم‌های تشخیص گفتار که به گونه‌ای طراحی شده‌اند که مستقل از بلندگو باشند، اغلب زمانی که با استفاده از یک نوع میکروفون یا محیط آکوستیک متفاوت آزمایش می‌شوند، عملکرد بسیار ضعیفی دارند. یکی که با آن آموزش دیده اند. استفاده از میکروفون های غیر از هدست \"کلاس صحبت کردن\" همچنین باعث کاهش شدید عملکرد تشخیص گفتار می شود. حتی در محیط‌های اداری نسبتاً ساکت، گفتار در اثر نویز اضافی از طرفداران، کوبیدن درها، و سایر مکالمات، و همچنین با تأثیرات فیلتر خطی ناشناخته که از انعکاس‌های سطحی در یک اتاق ناشی می‌شود، یا شکل‌دهی طیفی توسط میکروفون یا صدا، کاهش می‌یابد. تراکت سخنرانان فردی سیستم‌های تشخیص گفتار طراحی شده برای خطوط تلفن از راه دور یا کاربردهایی که در محیط‌های صوتی نامطلوب‌تری مانند وسایل نقلیه موتوری، کف کارخانه‌ها، یا در فضای باز مستقر می‌شوند، به درجات بسیار بالاتری از استحکام محیطی نیاز دارند. چندین روش مختلف برای ایجاد استحکام صوتی در سیستم های تشخیص گفتار وجود دارد. آرایه‌هایی از میکروفون‌ها را می‌توان برای ایجاد یک سیستم حساس جهت دار استفاده کرد که در برابر تداخل سخنرانان رقیب و سایر منابع نویز که از نظر مکانی از منبع سیگنال گفتار مورد نظر جدا هستند، مقاومت می‌کند.

The need for automatic speech recognition systems to be robust with respect to changes in their acoustical environment has become more widely appreciated in recent years, as more systems are finding their way into practical applications. Although the issue of environmental robustness has received only a small fraction of the attention devoted to speaker independence, even speech recognition systems that are designed to be speaker independent frequently perform very poorly when they are tested using a different type of microphone or acoustical environment from the one with which they were trained. The use of microphones other than a "close­ talking" headset also tends to severely degrade speech recognition -performance. Even in relatively quiet office environments, speech is degraded by additive noise from fans, slamming doors, and other conversations, as well as by the effects of unknown linear filtering arising reverberation from surface reflections in a room, or spectral shaping by microphones or the vocal tracts of individual speakers. Speech-recognition systems designed for long-distance telephone lines, or applications deployed in more adverse acoustical environments such as motor vehicles, factory floors, oroutdoors demand far greaterdegrees ofenvironmental robustness. There are several different ways of building acoustical robustness into speech recognition systems. Arrays of microphones can be used to develop a directionally-sensitive system that resists intelference from competing talkers and other noise sources that are spatially separated from the source of the desired speech signal.