Research of the influence of phonation variability on the result of the process of recognition of language units

Abstract

Обмежене використання профільних сервісів у корпоративному та урядовому сегментах кіберпростору свідчить про те, що завдання розпізнавання мовлення більш ніж одного мовця в нелабораторних умовах залишається актуальним. У статті представлено технологію вдосконалення процесу розпізнавання мовних одиниць шляхом інтеграції моделі варіативності їхньої фонації в вирішальне правило. У запропонованій технології, на відміну від наявних, розпізнавання відбувається на рівні порівняння звукових схем емпіричного та еталонного мовного матеріалу в спільному параметричному просторі акустичної, генеративної та мовної моделей. Це дало змогу формалізувати поняття врахування впливу варіативності фонації під час визначення еталонних звукових схем мовних одиниць у парадигмі теорії розпізнавання образів та сформулювати UML-діаграму діяльності механізму обчислення параметрів цих понять. Результати класифікації, продемонстровані на тестовій вибірці з високою варіативністю мовного матеріалу, доводять працездатність авторських механізмів компенсації впливу варіативності фонації на рівні вирішального правила та підвищення точності розпізнавання на 5–8 % (з початкових 52 % до 57–60 % відповідно). Експерименти показали, що для всіх тестових вибірок вирішальні правила, сформульовані на основі авторської концепції, що враховували оптимальні та субоптимальні еталонні звукові схеми відповідно, перевершували вирішальне правило, яке враховувало еталонні звукові схеми, але ігнорувало їхню частоту. З’ясувалося, що використовувати авторські механізми компенсації впливу варіативності фонації недоцільно під час класифікації мовного матеріалу з низьким або помірним ступенем варіативності.The limited use of profile services in the corporate and government segments of cyberspace suggests that the task of recognizing the speech of more than one speaker in non-laboratory conditions is still relevant. The article presents the technology of improving the process of recognition of language units by integrating the model of the variability of their phonation in the decision rule. In the proposed technology, in contrast to existing ones, recognition occurs at the level of comparison of sound schemes of empirical and etalon language material in the common parametric space of acoustic, generative and language models. This allowed us to formalize the concepts of taking into account the influence of phonation variability in determining the etalon sound schemes of language units in the paradigm of pattern recognition theory and to formulate a UML activity diagram of the mechanism for calculating the parameters of these concepts. The classification results demonstrated in the test sample with high variability of speech material prove the functionality of the author`s mechanisms to compensate for the influence of phonation variability at the level of the decision rule and increase the accuracy of recognition by 5-8% ( the original 52% to 57- 60%, respectively). Experiments have shown that for all test samples, the decision-making rules formulated based on the author`s concept, which took into account the optimal and suboptimal etalon sound schemes, respectively, exceeded the solving rule, which took into account the etalon sound schemes, but their frequency was ignored. It turned out that it is not advisable to use the author`s mechanisms to compensate for the influence of phonation variability in the classification of speech material with a low or moderate degree of variability.