यांडेक्स से भाषण मान्यता। Yandex.SpeechKit के हुड के तहत

फिर भी एक और सम्मेलन 2013 में, हमने अपने नए यांडेक्स स्पीच लाइब्रेरी में डेवलपर्स को पेश किया । यह एक सार्वजनिक भाषण मान्यता एपीआई है जिसे एंड्रॉइड और आईओएस डेवलपर्स उपयोग कर सकते हैं। SpeechKit डाउनलोड करें, साथ ही साथ प्रलेखन पढ़ें, यहाँ ।

Yandex SpeechKit आपको उस बैकएंड को सीधे एक्सेस करने की अनुमति देता है, जिसका उपयोग Yandex मोबाइल एप्लिकेशन में सफलतापूर्वक किया जाता है। हम लंबे समय से इस प्रणाली को विकसित कर रहे हैं और अब नेविगेटर और मोबाइल मैप्स में 94% शब्दों और साथ ही मोबाइल ब्राउज़र में 84% शब्दों को सही ढंग से पहचानते हैं। उसी समय, मान्यता एक सेकंड से थोड़ा अधिक समय लेती है। यह एक बहुत ही योग्य गुण है, और हम इसे बेहतर बनाने के लिए सक्रिय रूप से काम कर रहे हैं।



यह तर्क दिया जा सकता है कि निकट भविष्य में, वॉयस इंटरफेस व्यावहारिक रूप से शास्त्रीय इनपुट विधियों से विश्वसनीयता में भिन्न नहीं होंगे। कट के तहत हम इस तरह के परिणाम प्राप्त करने में कैसे कामयाब रहे, और हमारा सिस्टम कैसे काम करता है, इसके बारे में एक विस्तृत कहानी।



भाषण मान्यता कृत्रिम बुद्धि के सबसे दिलचस्प और जटिल कार्यों में से एक है। यहां बहुत भिन्न क्षेत्रों की उपलब्धियां शामिल हैं: कंप्यूटर भाषा विज्ञान से डिजिटल सिग्नल प्रोसेसिंग तक। यह समझने के लिए कि भाषण को समझने वाली एक मशीन को कैसे व्यवस्थित किया जाना चाहिए, आइए पहले समझते हैं कि हम किसके साथ काम कर रहे हैं।

I. बुनियादी बातें

हमारे लिए साउंडिंग भाषण, सबसे पहले, एक डिजिटल सिग्नल है। और अगर हम इस संकेत की रिकॉर्डिंग को देखते हैं, तो हम वहां स्पष्ट सीमाएं बनाए बिना एक दूसरे में शब्दों या उच्चारण ध्वनियों - अलग-अलग "भाषण घटनाओं" को आसानी से प्रवाहित नहीं करेंगे। एक ही वाक्यांश, अलग-अलग लोगों द्वारा या अलग-अलग सेटिंग्स में, संकेत स्तर पर अलग-अलग दिखाई देगा। इसी समय, लोग किसी तरह एक-दूसरे के भाषण को पहचानते हैं: इसलिए, ऐसे हमलावर हैं जिनके अनुसार संकेत बहाल किया जा सकता है, जो वास्तव में कहा गया था। ऐसे आक्रमणकारियों की खोज ध्वनिक मॉडलिंग का कार्य है।

मान लीजिए कि किसी व्यक्ति के भाषण में स्वर-समागम होता है (यह एक स्थूल सरलीकरण है, लेकिन पहली बार यह सच है)। हम फ़ोनेमी को भाषा की न्यूनतम सार्थक इकाई के रूप में परिभाषित करते हैं, अर्थात्, एक ध्वनि, जिसके प्रतिस्थापन से किसी शब्द या वाक्यांश के अर्थ में परिवर्तन हो सकता है। संकेत का एक छोटा सा हिस्सा लें, 25 मिलीसेकंड कहें। हम इस अनुभाग को "फ्रेम" कहते हैं। इस फ्रेम पर फोनेमेई का उच्चारण क्या था? इस प्रश्न का उत्तर असमान रूप से देना मुश्किल है - कई स्वर एक दूसरे के समान हैं। लेकिन अगर यह एक अस्पष्ट जवाब देना असंभव है, तो हम "संभावनाओं" के संदर्भ में तर्क कर सकते हैं: दिए गए संकेत के लिए, कुछ स्वर अधिक संभावित होते हैं, अन्य कम, दूसरों को पूरी तरह से विचार से बाहर रखा जा सकता है। वास्तव में, ध्वनिक मॉडल एक ऐसा कार्य है जो इनपुट पर ध्वनिक संकेत (फ्रेम) के एक छोटे हिस्से को प्राप्त करता है और इस फ्रेम पर विभिन्न स्वरों के संभाव्यता वितरण को बाहर निकालता है। इस प्रकार, ध्वनिक मॉडल हमें ध्वनि से उबरने का अवसर देता है जो कहा गया था - आत्मविश्वास की बदलती डिग्री के साथ।

ध्वनिकी का एक अन्य महत्वपूर्ण पहलू विभिन्न स्वरों के बीच संक्रमण की संभावना है। हम अनुभव से जानते हैं कि स्वनिम के कुछ संयोजनों को आसानी से उच्चारित किया जाता है और ये सामान्य होते हैं, दूसरों को उच्चारण करना अधिक कठिन होता है और आमतौर पर अभ्यास में कम इस्तेमाल होता है। हम इस जानकारी को सामान्य कर सकते हैं और इसे देखते समय इसे ले सकते हैं जब किसी दिए गए अनुक्रम के "विश्वसनीयता" का आकलन करते हैं।

अब हमारे पास स्वचालित भाषण पहचान के मुख्य "वर्कहॉर्स" में से एक का निर्माण करने के लिए सभी उपकरण हैं - छिपे हुए मार्कोव मॉडल (एचएमएम, हिडन मार्कोव मॉडल)। ऐसा करने के लिए, थोड़ी देर के लिए कल्पना करें कि हम भाषण मान्यता की समस्या को हल नहीं कर रहे हैं, लेकिन सटीक विपरीत - भाषण में पाठ को परिवर्तित करना। मान लीजिए हम यैंडेक्स शब्द का उच्चारण प्राप्त करना चाहते हैं। यैंडेक्स शब्द को स्वरों के समूह से मिलकर कहते हैं, [वें] [ए] [एन] [डी] [ई] [के] [एस]। हम यैंडेक्स शब्द के लिए एक परिमित राज्य मशीन का निर्माण करते हैं, जिसमें प्रत्येक फोनेमे को एक अलग राज्य द्वारा दर्शाया जाता है। समय के प्रत्येक क्षण में, हम इन राज्यों में से एक हैं और इस ध्वनि की ध्वनि विशेषता "उच्चारण" (हम जानते हैं कि प्रत्येक ध्वनि कैसे ध्वनिक मॉडल के लिए धन्यवाद है)। लेकिन कुछ स्वर लंबे समय तक चलते हैं (जैसे कि यैंडेक्स शब्द में [a), अन्य व्यावहारिक रूप से निगल जाते हैं। यहां, फोनमेस के बीच संक्रमण की संभावना के बारे में जानकारी हमारे लिए उपयोगी है। वर्तमान स्थिति के अनुरूप ध्वनि उत्पन्न करने के बाद, हम एक संभाव्य निर्णय लेते हैं: उसी स्थिति में रहने के लिए या अगले एक पर जाने के लिए (और, तदनुसार, अगले फोनीम)।



औपचारिक रूप से, HMM को निम्नानुसार दर्शाया जा सकता है। सबसे पहले, हम उत्सर्जन की अवधारणा को पेश करते हैं। जैसा कि हम पिछले उदाहरण से याद करते हैं, एचएमएम में से प्रत्येक इस विशेष राज्य (यानी फोनमेस) की एक ध्वनि विशेषता "उत्पन्न" करता है। प्रत्येक फ्रेम पर, ध्वनि को "दिया गया" है, जो दिए गए स्वर के अनुरूप संभावना वितरण से है। दूसरे, राज्यों के बीच संक्रमण संभव है, जो पूर्वनिर्धारित संभाव्यता पैटर्न भी मानते हैं। उदाहरण के लिए, संभावना है कि फोन [ए] "खिंचाव" उच्च होगा, जिसे फोनम [ई] के बारे में नहीं कहा जा सकता है। उत्सर्जन मैट्रिक्स और संक्रमण मैट्रिक्स विशिष्ट रूप से छिपे हुए मार्कोव मॉडल को परिभाषित करते हैं।

ठीक है, हमने देखा कि भाषण को बनाने के लिए एक छिपे हुए मार्कोव मॉडल का उपयोग कैसे किया जा सकता है, लेकिन इसे भाषण मान्यता की उलटा समस्या पर कैसे लागू किया जाए? Viterbi एल्गोरिथ्म बचाव के लिए आता है। हमारे पास अवलोकनीय मात्रा (वास्तव में ध्वनि) और एक संभाव्य मॉडल का एक सेट है जो अव्यक्त अवस्थाओं (फोनमेस) और अवलोकनीय मात्रा को सहसंबंधित करता है। विटर्बी का एल्गोरिथ्म आपको छिपे हुए राज्यों के सबसे संभावित अनुक्रम को पुनर्स्थापित करने की अनुमति देता है।

हमारे मान्यता शब्दकोश में केवल दो शब्द हैं: "हाँ" ([d] [a]) और "no" ([n '] [e] [t])। इस प्रकार, हमारे पास दो छिपे हुए मार्कोव मॉडल हैं। इसके बाद, हमारे पास एक उपयोगकर्ता की वॉयस रिकॉर्डिंग है जो हाँ या नहीं कहता है। विटर्बी का एल्गोरिथ्म हमें इस सवाल का जवाब देने की अनुमति देगा कि किस मान्यता की परिकल्पना अधिक है।

अब हमारा कार्य छिपे मार्कोव मॉडल के राज्यों के सबसे संभावित अनुक्रम को बहाल करने के लिए कम हो गया है, जो हमारे लिए प्रस्तुत ऑडियो रिकॉर्डिंग को "वृद्धि" (या बल्कि, वृद्धि दे सकता है)। यदि उपयोगकर्ता हाँ कहता है, तो 10 फ्रेम पर राज्यों का संगत अनुक्रम हो सकता है, उदाहरण के लिए, [d] [d] [d] [d] [a] [a] [a] [a] [a] [a] or [e] [a] [a] [a] [a] [a] [a] [a] [a] [a] इसी तरह, "नहीं" के लिए विभिन्न उच्चारण विकल्प संभव हैं - उदाहरण के लिए, [n '] [n'] [n '] [e] [e] [e] [e] [t] [t] [t] और [n ’ ] [एन '] [ई] [ई] [ई] [ई] [ई] [ई] [टी] [टी]। अब हम "सर्वश्रेष्ठ" पाते हैं, अर्थात, प्रत्येक शब्द के उच्चारण की सबसे अधिक संभावना, तरीका। प्रत्येक फ्रेम पर, हम अपने ध्वनिक मॉडल से पूछेंगे कि यह कैसे संभव है कि एक विशिष्ट ध्वनि-मेल यहां लगता है (उदाहरण के लिए, [d] और [a]); इसके अलावा, हम संक्रमण संभावनाओं ([d] -> [d], [d] -> [a], [a] -> [a]) को ध्यान में रखेंगे। इसलिए हमें प्रत्येक परिकल्पना शब्दों का उच्चारण करने के लिए सबसे अधिक संभावना है; इसके अलावा, उनमें से प्रत्येक के लिए हमें इस बात का एक माप मिलेगा कि यह कैसे संभव है कि इस शब्द का उच्चारण किया गया था (हम इस माप को संबंधित ग्राफ के माध्यम से सबसे छोटे पथ की लंबाई के रूप में मान सकते हैं)। "जीतने" (यानी अधिक संभावना) परिकल्पना को मान्यता के परिणामस्वरूप वापस कर दिया जाएगा।

विटर्बी का एल्गोरिदम लागू करने के लिए काफी सरल है (गतिशील प्रोग्रामिंग का उपयोग किया जाता है) और फ्रेम की संख्या से एचएमएम राज्यों की संख्या के उत्पाद के लिए आनुपातिक रूप से काम करता है। हालांकि, यह हमारे लिए सबसे संभावित तरीका जानने के लिए हमेशा पर्याप्त नहीं है; उदाहरण के लिए, जब एक ध्वनिक मॉडल का प्रशिक्षण होता है, तो प्रत्येक फ्रेम पर प्रत्येक राज्य की संभावना का अनुमान होता है। इसके लिए, फॉरवर्ड-बैकवर्ड एल्गोरिदम का उपयोग किया जाता है।

हालांकि, ध्वनिक मॉडल सिस्टम के घटकों में से एक है। क्या होगा यदि मान्यता शब्दकोश में दो शब्द शामिल नहीं हैं, जैसा कि ऊपर दिए गए उदाहरण में है, लेकिन सैकड़ों हजारों या लाखों में? उनमें से कई उच्चारण या यहां तक ​​कि संयोग में बहुत समान होंगे। हालांकि, संदर्भ की उपस्थिति में, ध्वनिकी की भूमिका गिरती है: स्लैन्ड, शोर या अस्पष्ट शब्दों को "अर्थ में" बहाल किया जा सकता है। फिर से, संभाव्य मॉडल का उपयोग संदर्भ के लिए किया जाता है। उदाहरण के लिए, रूसी भाषा का एक मूल वक्ता समझता है कि वाक्य के "मॉम सोप फ्रेम" या "मदर सोप साइक्लोट्रॉन" या "मदर सोप फ्रेम" की तुलना में स्वाभाविकता (हमारे मामले में, संभावना) अधिक है। यही है, एक निश्चित संदर्भ "साबुन माँ ..." की उपस्थिति अगले शब्द के लिए संभाव्यता वितरण निर्धारित करती है, जो शब्दार्थ और आकृति विज्ञान दोनों को दर्शाती है। इस प्रकार के भाषा मॉडल को एन-ग्राम भाषा मॉडल कहा जाता है (ऊपर के उदाहरण में ट्रिगर); बेशक, भाषा के मॉडलिंग के बहुत अधिक जटिल और शक्तिशाली तरीके हैं।

द्वितीय। यांडेक्स एएसआर के हुड के नीचे क्या है?

अब, जब हम भाषण मान्यता प्रणालियों की सामान्य संरचना की कल्पना करते हैं, तो हम अपने डेटा, रूसी भाषण मान्यता प्रणाली के अनुसार, यैंडेक्स तकनीक के विवरणों का अधिक विस्तार से वर्णन करेंगे।
ऊपर दिए गए खिलौने के उदाहरणों को देखते हुए, हमने जानबूझकर कुछ सरलीकरण किए और कई महत्वपूर्ण विवरणों को छोड़ दिया। विशेष रूप से, हमने तर्क दिया कि भाषण की मुख्य "निर्माण इकाई" फोनीम है। वास्तव में, फोनम बहुत बड़ी एक इकाई है; एक एकल ध्वनि के उच्चारण को पर्याप्त रूप से मॉडल करने के लिए, तीन अलग-अलग राज्यों का उपयोग किया जाता है - ध्वनि की शुरुआत, मध्य और अंत। साथ में वे समान एचएमएम बनाते हैं जैसा कि ऊपर प्रस्तुत किया गया है। इसके अलावा, फोनमेस स्थिति-निर्भर और संदर्भ के प्रति संवेदनशील होते हैं: औपचारिक रूप से, "एक ही" फोनेम शब्द के किस भाग के आधार पर काफी भिन्न होता है और यह किस फोननेम के निकट है। एक ही समय में, संदर्भ-संवेदी स्वरों के सभी संभावित वेरिएंट की एक सरल सूची बहुत बड़ी संख्या में संयोजन लौटाएगी, जिनमें से कई वास्तविक जीवन में कभी नहीं पाए जाते हैं; ध्वनिक घटनाओं की संख्या को उचित मानने के लिए, प्रशिक्षण के शुरुआती चरणों में घनिष्ठ संदर्भ के प्रति संवेदनशील स्वरों को एक साथ जोड़ दिया जाता है।
इस प्रकार, हमने, सबसे पहले, ध्वनि-संदर्भ को संवेदनशील बनाया, और दूसरी बात, हमने उनमें से प्रत्येक को तीन भागों में विभाजित किया। ये वस्तुएं - "स्वरों के भाग" - अब हमारी ध्वन्यात्मक वर्णमाला बनाते हैं। उन्हें सेन्सन भी कहा जाता है। हमारे HMM का प्रत्येक राज्य एक सेनापति है। हमारे मॉडल में, 48 फ़ोनेम्स और लगभग 4000 सेनन का उपयोग किया जाता है।

तो, हमारे ध्वनिक मॉडल अभी भी इनपुट के लिए ध्वनि लेता है, और आउटपुट पर यह सीन्स पर संभावना वितरण देता है। अब विचार करें कि वास्तव में क्या इनपुट किया जा रहा है। जैसा कि हमने कहा, ध्वनि को 25 ms ("फ्रेम") के खंडों में काटा जाता है। आमतौर पर, स्लाइसिंग चरण 10 एमएस है, इसलिए आसन्न फ्रेम आंशिक रूप से ओवरलैप होता है। यह स्पष्ट है कि "कच्ची" ध्वनि - समय में दोलनों का आयाम - ध्वनिक संकेत के प्रतिनिधित्व का सबसे जानकारीपूर्ण रूप नहीं है। इस सिग्नल का स्पेक्ट्रम पहले से काफी बेहतर है। व्यवहार में, एक लॉगरिदमिक और स्केल्ड स्पेक्ट्रम आमतौर पर उपयोग किया जाता है, जो मानव श्रवण धारणा ( मेल-ट्रांसफॉर्मेशन ) के कानूनों से मेल खाती है। प्राप्त मूल्यों को कॉसैट ट्रांसफ़ॉर्म ( DCT ) के विवेकाधीन किया जाता है, और परिणाम MFCC - मेल फ़्रीक्वेंसी सेफ़स्ट्रल गुणांक है। (शब्द सेफस्ट्राल स्पेक्ट्रल में अक्षरों को फिर से व्यवस्थित करके प्राप्त किया जाता है, जो एक अतिरिक्त डीसीटी की उपस्थिति को दर्शाता है)। एमएफसीसी 13 (आमतौर पर) वास्तविक संख्याओं का एक वेक्टर है। उन्हें "कच्चे रूप में" ध्वनिक मॉडल के इनपुट के रूप में इस्तेमाल किया जा सकता है, लेकिन अधिक बार वे कई अतिरिक्त परिवर्तनों से गुजरते हैं।

ध्वनिक मॉडल प्रशिक्षण एक जटिल और बहु-चरण प्रक्रिया है। प्रशिक्षण के लिए, एल्गोरिथम के एक्सपेक्टेशन-मैक्सिमाइजेशन परिवार का उपयोग किया जाता है, जैसे कि बॉम-वेल्श एल्गोरिथम । इस तरह के एल्गोरिदम का सार दो चरणों के विकल्प में है: उम्मीद के कदम पर, मौजूदा मॉडल का उपयोग संभावना समारोह की उम्मीद की गणना करने के लिए किया जाता है, मैक्सिमाइजेशन कदम पर, मॉडल मापदंडों को इस अनुमान को अधिकतम करने के लिए इस तरह से बदला जाता है। प्रशिक्षण के शुरुआती चरणों में, सरल ध्वनिक मॉडल का उपयोग किया जाता है: इनपुट के लिए सरल MFCC फीचर्स दिए गए हैं, फ़ोमेम्स को प्रासंगिक निर्भरता से बाहर माना जाता है, डायग्नसल कोवरियन मैट्रिस (डायगोनल जीएमएम - गॉसियन मिक्सचर मॉडल) के साथ गॉसियंस का मिश्रण एचएमएम में उत्सर्जन की संभावना का उपयोग किया जाता है। प्रत्येक पिछले ध्वनिक मॉडल के परिणाम उत्सर्जन के लिए अधिक जटिल इनपुट, आउटपुट, या संभाव्यता वितरण फ़ंक्शन के साथ अधिक जटिल मॉडल के प्रशिक्षण के लिए शुरुआती बिंदु हैं। ध्वनिक मॉडल में सुधार करने के कई तरीके हैं, हालांकि, जीएमएम मॉडल से डीएनएन ( डीप न्यूरल नेटवर्क ) में संक्रमण का सबसे महत्वपूर्ण प्रभाव है, जो मान्यता की गुणवत्ता को लगभग दोगुना कर देता है। तंत्रिका नेटवर्क में गौसियन मिश्रण की विशिष्ट सीमाओं का अभाव है और बेहतर सामान्यीकरण क्षमता है। इसके अलावा, तंत्रिका नेटवर्क पर ध्वनिक मॉडल शोर के लिए अधिक मजबूत होते हैं और बेहतर प्रदर्शन होते हैं।

ध्वनिक मॉडलिंग के लिए एक तंत्रिका नेटवर्क को कई चरणों में प्रशिक्षित किया जाता है। तंत्रिका नेटवर्क को शुरू करने के लिए, प्रतिबंधित बोल्ट्जमैन मशीनों (आरबीएम) के ढेर का उपयोग किया जाता है। आरबीएम एक स्टोकेस्टिक न्यूरल नेटवर्क है जो बिना शिक्षक के प्रशिक्षण देता है। यद्यपि उनके द्वारा सीखा गया वज़न सीधे ध्वनिक घटनाओं की कक्षाओं के बीच अंतर करने के लिए उपयोग नहीं किया जा सकता है, वे भाषण की संरचना को विस्तार से दर्शाते हैं। आप आरबीएम को एक फीचर एक्सट्रैक्टर के रूप में मान सकते हैं - परिणामी जेनरेटर मॉडल एक भेदभावपूर्ण मॉडल के निर्माण के लिए एक उत्कृष्ट प्रारंभिक बिंदु है। भेदभावपूर्ण मॉडल को त्रुटियों के पीछे प्रसार के शास्त्रीय एल्गोरिथ्म का उपयोग करके प्रशिक्षित किया जाता है, और अभिसरण को बेहतर बनाने और ओवरफिटिंग को रोकने के लिए कई तकनीकों का उपयोग किया जाता है। नतीजतन, तंत्रिका नेटवर्क के इनपुट में कई एमएफसीसी-फ़ीचर फ़्रेम होते हैं (केंद्रीय फ्रेम वर्गीकरण के अधीन है, बाकी संदर्भ बनाते हैं), और आउटपुट में विभिन्न सीरन्स के अनुरूप लगभग 4000 न्यूरॉन्स होते हैं। इस तंत्रिका नेटवर्क का उपयोग उत्पादन प्रणाली में ध्वनिक मॉडल के रूप में किया जाता है।



डिकोडिंग प्रक्रिया पर अधिक विस्तार से विचार करें। एक बड़े शब्दकोश के साथ सहज भाषण को पहचानने के कार्य के लिए, पहले खंड में वर्णित दृष्टिकोण लागू नहीं है। एक डेटा संरचना की आवश्यकता होती है जो सिस्टम को पहचानने वाले सभी संभावित वाक्यों को जोड़ती है। एक उपयुक्त संरचना भारित परिमित-राज्य ट्रांसड्यूसर (डब्ल्यूएफएसटी) है - वास्तव में, उत्पादन टेप और किनारों पर भार के साथ सिर्फ एक परिमित राज्य मशीन है। इस मशीन के प्रवेश पर सीमन हैं, बाहर निकलने के शब्द हैं। डिकोडिंग प्रक्रिया इस मशीन में सबसे अच्छा पथ चुनने और इस पथ के अनुरूप शब्दों का आउटपुट अनुक्रम प्रदान करने के लिए नीचे आती है। इस मामले में, प्रत्येक चाप के साथ मार्ग की कीमत दो घटकों से बनी होती है। पहले घटक को अग्रिम में जाना जाता है और मशीन के विधानसभा चरण में गणना की जाती है। इसमें उच्चारण की लागत, किसी दिए गए राज्य में परिवर्तन, भाषा मॉडल की संभावना का आकलन शामिल है। दूसरे घटक की गणना एक विशेष फ्रेम के लिए अलग से की जाती है: यह प्रश्न में चाप के इनपुट प्रतीक के अनुरूप सेनन का ध्वनिक भार है। डिकोडिंग वास्तविक समय में होती है, इसलिए सभी संभावित पथों की जांच नहीं की जाती है: विशेष उत्तराधिकारियों ने सबसे संभावित लोगों के लिए परिकल्पना के सेट को सीमित किया है।

बेशक, तकनीकी दृष्टिकोण से सबसे दिलचस्प हिस्सा इस तरह के एक ऑटोमेटन का निर्माण है। यह समस्या ऑफ़लाइन हल की गई है। प्रत्येक शब्द के लिए प्रत्येक प्रसंग-संवेदनशील ध्वनि-विज्ञान के लिए सरल एचएमएम से रैखिक ऑटोमेटा में जाने के लिए, हमें एक उच्चारण शब्दकोश का उपयोग करने की आवश्यकता है। इस तरह के शब्दकोश का निर्माण मैन्युअल रूप से असंभव है, और मशीन सीखने के तरीकों का उपयोग यहां किया जाता है (और वैज्ञानिक समुदाय में कार्य को ही ग्रेफेम-टू-फोनेमी, या जी 2 पी कहा जाता है)। बदले में, एक भाषा मॉडल में एक दूसरे के साथ "गोदी" शब्द, एक परिमित राज्य मशीन के रूप में भी प्रस्तुत किए जाते हैं। यहां केंद्रीय संचालन डब्ल्यूएफएसटी रचना है, लेकिन आकार और स्टैकिंग दक्षता के मामले में डब्ल्यूएफएसटी के अनुकूलन के लिए विभिन्न तरीके भी महत्वपूर्ण हैं।



डिकोडिंग प्रक्रिया का परिणाम उन परिकल्पनाओं की एक सूची है जिन्हें आगे संसाधित किया जा सकता है। उदाहरण के लिए, आप सबसे अधिक संभावित परिकल्पनाओं को पुनर्व्यवस्थित करने के लिए अधिक शक्तिशाली भाषा मॉडल का उपयोग कर सकते हैं। परिणामी सूची को उपयोगकर्ता को वापस लौटा दिया जाता है, जो विश्वास मूल्य द्वारा क्रमबद्ध होता है - हमारे आत्मविश्वास की डिग्री जो मान्यता सही ढंग से पास हुई है। अक्सर, केवल एक परिकल्पना बनी रहती है, इस मामले में, क्लाइंट एप्लिकेशन तुरंत एक वॉइस कमांड के निष्पादन के लिए आगे बढ़ता है।

अंत में, हम भाषण मान्यता प्रणालियों के लिए गुणवत्ता मीट्रिक के मुद्दे को संबोधित करेंगे। सबसे लोकप्रिय मीट्रिक वर्ड एरर रेट (और इसका उलटा वर्ड एक्यूरेसी) है। संक्षेप में, यह गलत तरीके से मान्यता प्राप्त शब्दों के अनुपात को दर्शाता है। वाक् पहचान प्रणाली के लिए शब्द त्रुटि दर की गणना करने के लिए, वाक् पहचान का उपयोग करने वाले एप्लिकेशन के विषय के अनुरूप ध्वनि प्रश्नों के मैन्युअल-लेबल वाले मामलों का उपयोग किया जाता है।

संबंधित साहित्य:

1. मोहरी, एम।, परेरा, एफ।, और रिले, एम। (2008)। भारित परिमित-राज्य ट्रांसड्यूसर के साथ भाषण मान्यता। स्पीच प्रोसेसिंग की स्प्रिंगर पुस्तिका (पीपी। 559-584) में। स्प्रिंगर बर्लिन हीडलबर्ग।
2. Hinton, G., Deng, L., Yu, D., Dahl, GE, Mohamed, AR, Jaitly, N. et al। (2012)। भाषण मान्यता में ध्वनिक मॉडलिंग के लिए गहन तंत्रिका नेटवर्क: चार अनुसंधान समूहों के साझा विचार। सिग्नल प्रोसेसिंग पत्रिका, IEEE, 29 (6), 82-97।
3. जुराफस्की डी।, मार्टिन जेएच (2008) भाषण और भाषा प्रसंस्करण, दूसरा संस्करण। अप्रेंटिस हॉल।