Phonological Parsing in Speech Recognition

به خوبی شناخته شده است که واج ها بسته به زمینه، درک صوتی متفاوتی دارند. بنابراین، برای مثال، واج /t! معمولاً با یک انفجار شدید در ابتدای یک هجا مانند کلمه Tom، اما بدون ترکیدن در انتهای یک هجا در کلمه ای مانند cat درک می شود. تغییراتی مانند این اغلب برای تشخیص گفتار مشکل‌ساز در نظر گرفته می‌شود: (1) \"در اکثر سیستم‌های تشخیص جملات، چنین تغییراتی باید به‌عنوان نوعی "نویز" در نظر گرفته شوند که فرضیه‌سازی نامزدهای واژگانی را دشوارتر می‌کند. برای اینکه ببینیم باید اینطور باشد، توجه می‌کنیم که هر قاعده واج‌شناختی [در مثالی خاص] منجر به ابهام غیرقابل برگشت می‌شود - قاعده واج‌شناختی معکوس منحصر به فردی ندارد که بتوان از آن برای بازیابی نمایش واجی زیرین استفاده کرد. برای یک آیتم واژگانی. به عنوان مثال، ... حروف صدادار schwa می تواند اولین مصوت در کلمه ای مانند "about" یا تحقق سطحی تقریباً هر مصوت انگلیسی باشد که در یک کلمه به اندازه کافی بی فشار ظاهر می شود. از یک /t! یا a /d/. \" [65، صفحات 548-549] این دیدگاه از تنوع آلفونیک نماینده بسیاری از ادبیات تشخیص گفتار است، به ویژه در اواخر دهه 1970. می توان اظهارات مشابهی توسط کول پیدا کرد. و جاکیمیک [22] و توسط جیلینک [50].

It is well-known that phonemes have different acoustic realizations depending on the context. Thus, for example, the phoneme /t! is typically realized with a heavily aspirated strong burst at the beginning of a syllable as in the word Tom, but without a burst at the end of a syllable in a word like cat. Variation such as this is often considered to be problematic for speech recogni­ tion: (1) "In most systems for sentence recognition, such modifications must be viewed as a kind of 'noise' that makes it more difficult to hypothesize lexical candidates given an in­ put phonetic transcription. To see that this must be the case, we note that each phonological rule [in a certain example] results in irreversible ambiguity-the phonological rule does not have a unique inverse that could be used to recover the underlying phonemic representation for a lexical item. For example, . . . schwa vowels could be the first vowel in a word like 'about' or the surface realization of almost any English vowel appearing in a sufficiently destressed word. The tongue flap [(] could have come from a /t! or a /d/. " [65, pp. 548-549] This view of allophonic variation is representative of much of the speech recognition literature, especially during the late 1970's. One can find similar statements by Cole and Jakimik [22] and by Jelinek [50].