Novel Techniques for Dialectal Arabic Speech Recognition

تکنیک های جدید برای گفتار عربی لهجه ای رویکردهایی را برای بهبود تشخیص خودکار گفتار برای عربی گویشی توصیف می کند. از آنجایی که منابع گفتاری برای تشخیص گفتار عربی لهجه‌ای بسیار پراکنده است، نویسندگان توضیح می‌دهند که چگونه داده‌های گفتاری استاندارد عربی مدرن (MSA) می‌تواند برای تشخیص گفتار عربی گویشی استفاده شود، در حالی که فرض می‌کنیم که MSA همیشه زبان دوم برای همه عربی‌گویان است.

در این کتاب عربی محاوره ای مصری (ECA) به عنوان گویش معمولی عربی انتخاب شده است. ECA اولین گویش عربی است که از نظر تعداد سخنرانان رتبه بندی شده است و مجموعه گفتاری ECA با کیفیت بالا با رونویسی آوایی دقیق جمع آوری شده است. مدل‌های آکوستیک MSA با استفاده از گفتار پخش اخبار آموزش داده شدند. به منظور استفاده متقابل زبانی از MSA در تشخیص گفتار عربی لهجه‌ای، نویسندگان مجموعه‌های واج را برای MSA و ECA عادی کرده‌اند. پس از این عادی‌سازی، آن‌ها تکنیک‌های انطباق مدل آکوستیک پیشرفته مانند رگرسیون خطی حداکثر احتمال (MLLR) و حداکثر A-پسریوری (MAP) را برای تطبیق مدل‌های آکوستیک MSA آوایی موجود با مقدار کمی از داده‌های گفتاری ECA گویشی اعمال کرده‌اند. . نتایج تشخیص گفتار نشان‌دهنده افزایش قابل‌توجهی در دقت تشخیص در مقایسه با مدل پایه‌ای است که فقط با داده‌های ECA آموزش دیده است.

Novel Techniques for Dialectal Arabic Speech describes approaches to improve automatic speech recognition for dialectal Arabic. Since speech resources for dialectal Arabic speech recognition are very sparse, the authors describe how existing Modern Standard Arabic (MSA) speech data can be applied to dialectal Arabic speech recognition, while assuming that MSA is always a second language for all Arabic speakers.

In this book, Egyptian Colloquial Arabic (ECA) has been chosen as a typical Arabic dialect. ECA is the first ranked Arabic dialect in terms of number of speakers, and a high quality ECA speech corpus with accurate phonetic transcription has been collected. MSA acoustic models were trained using news broadcast speech. In order to cross-lingually use MSA in dialectal Arabic speech recognition, the authors have normalized the phoneme sets for MSA and ECA. After this normalization, they have applied state-of-the-art acoustic model adaptation techniques like Maximum Likelihood Linear Regression (MLLR) and Maximum A-Posteriori (MAP) to adapt existing phonemic MSA acoustic models with a small amount of dialectal ECA speech data. Speech recognition results indicate a significant increase in recognition accuracy compared to a baseline model trained with only ECA data.