Techniques for Noise Robustness in Automatic Speech Recognition

سیستم‌های تشخیص خودکار گفتار (ASR) در حال استفاده روزافزون در زندگی روزمره هستند. بسیاری از محیط‌های معمولی که در آن از سیستم‌ها استفاده می‌شود، پر سر و صدا هستند، برای مثال کاربرانی که از یک کافه تریا شلوغ یا یک خیابان یک سیستم جستجوی صوتی را فراخوانی می‌کنند. این می تواند منجر به ضبط گفتار ضعیف شود و بر عملکرد سیستم های تشخیص گفتار تأثیر منفی بگذارد. همانطور که استفاده از سیستم‌های ASR افزایش می‌یابد، دانش پیشرفته‌ترین تکنیک‌های مقابله با چنین مشکلاتی برای مهندسین سیستم و برنامه کاربردی و محققانی که با یا روی فناوری‌های ASR کار می‌کنند، حیاتی می‌شود. این کتاب بررسی جامعی از جدیدترین تکنیک‌های مورد استفاده برای بهبود استحکام سیستم‌های تشخیص گفتار در برابر این تأثیرات خارجی تحقیرکننده ارائه می‌کند.

ویژگی‌های کلیدی:

< li>تمام رویکردهای اصلی ASR قوی نویز را بررسی می‌کند، از جمله جداسازی سیگنال، تشخیص فعالیت صوتی، استخراج ویژگی‌های قوی، جبران و انطباق مدل، تکنیک‌های داده از دست رفته و تشخیص گفتار طنین‌انداز.
• به‌عنوان یک نمایش به‌موقع عمل می‌کند. این موضوع با توجه به استفاده گسترده‌تر در آینده از فناوری ASR در محیط‌های چالش‌برانگیز.
• به مسائل استحکام و تخریب سیگنال می‌پردازد که هر دو الزامات کلیدی برای پزشکان ASR هستند.
• شامل مشارکت‌ها می‌شود. از محققان برتر ASR از واحدهای تحقیقاتی پیشرو در این زمینه

Automatic speech recognition (ASR) systems are finding increasing use in everyday life. Many of the commonplace environments where the systems are used are noisy, for example users calling up a voice search system from a busy cafeteria or a street. This can result in degraded speech recordings and adversely affect the performance of speech recognition systems.  As the use of ASR systems increases, knowledge of the state-of-the-art in techniques to deal with such problems becomes critical to system and application engineers and researchers who work with or on ASR technologies. This book presents a comprehensive survey of the state-of-the-art in techniques used to improve the robustness of speech recognition systems to these degrading external influences.

Key features:

• Reviews all the main noise robust ASR approaches, including signal separation, voice activity detection, robust feature extraction, model compensation and adaptation, missing data techniques and recognition of reverberant speech.
• Acts as a timely exposition of the topic in light of more widespread use in the future of ASR technology in challenging environments.
• Addresses robustness issues and signal degradation which are both key requirements for practitioners of ASR.
• Includes contributions from top ASR researchers from leading research units in the field