Contemporary Methods for Speech Parameterization

روش‌های معاصر برای پارامترسازی گفتار نمای کلی از پارامترسازی گفتار مبتنی بر مغز کوتاه مدت ارائه می‌دهد و زمینه مشترکی برای مطالعات عمیق بیشتر در مورد این موضوع فراهم می‌کند. به طور خاص، توصیف جامع، تجزیه و تحلیل مقایسه‌ای و ارزیابی عملکرد تجربی یازده روش پارامتری‌سازی گفتار معاصر را ارائه می‌دهد که ویژگی‌های گفتار مبتنی بر cepstrum کوتاه مدت را محاسبه می‌کند.

از این میان پنج ویژگی گفتاری مبتنی بر تبدیل بسته موجک گسسته (DWPT)، شش ویژگی گفتاری مبتنی بر تبدیل فوریه گسسته (DFT) و برخی از انواع آنها است که در تشخیص گفتار، تشخیص بلندگو، و سایر وظایف مربوط به پردازش گفتار شباهت ها و تفاوت های اصلی در محاسبه آنها مورد بحث قرار گرفته و نتایج تجربی حاصل از ارزیابی عملکرد در شرایط تجربی رایج ارائه شده است. دقت تشخیص به‌دست‌آمده در تشخیص تک‌فون، تشخیص گفتار پیوسته و وظایف تشخیص بلندگو با دقت به‌دست‌آمده برای ضرایب موسوم به Mel Frequency Cepstral (MFCC) متضاد است.

نشان داده شده است که بسیاری از این روش‌ها به ویژگی‌های گفتاری منجر می‌شوند که در مقایسه با MFCC ارجمند، عملکرد رقابتی را در یک تنظیم پردازش گفتار خاص ارائه می‌دهند. هدف آخر ترویج برخی ویژگی‌های گفتاری نیست، بلکه هدف آن ارتقای درک مشترک در مورد مزایا و معایب تکنیک‌های مختلف پارامترسازی گفتار است که امروزه در دسترس است و زمینه را برای انتخاب پارامترسازی گفتار مناسب در هر مورد خاص فراهم می‌کند. /p>

Contemporary Methods for Speech Parameterization offers a general view of short-time cepstrum-based speech parameterization and provides a common ground for further in-depth studies on the subject. Specifically, it offers a comprehensive description, comparative analysis, and empirical performance evaluation of eleven contemporary speech parameterization methods, which compute short-time cepstrum-based speech features.

Among these are five discrete wavelet packet transform (DWPT)-based, six discrete Fourier transform (DFT)-based speech features and some of their variants which have been used on the speech recognition, speaker recognition, and other related speech processing tasks. The main similarities and differences in their computation are discussed and empirical results from performance evaluation in common experimental conditions are presented. The recognition accuracy obtained on the monophone recognition, continuous speech recognition and speaker recognition tasks is contrasted against the one obtained for the well-known and widely used Mel Frequency Cepstral Coefficients (MFCC).

It is shown that many of these methods lead to speech features that do offer competitive performance on a certain speech processing setup when compared to the venerable MFCC. The last does not target the promotion of certain speech features but instead aims to enhance the common understanding about the advantages and disadvantages of the various speech parameterization techniques available today and to provide the basis for selection of an appropriate speech parameterization in each particular case.