CC BY
136
Языкознание
Вестник Нижегородского университета) им. Н.И. Лобачевского, 2015, № 2 (2), с. 376-379
УДК 621.391.2: 519.72
СТАТИСТИЧЕСКИЕ ПОДХОДЫ К АВТОМАТИЧЕСКОМУ РАСПОЗНАВАНИЮ РЕЧИ
© 2015 г. А.М. Грачев
Нижегородский филиал Московского гуманитарно-экономического института
Поступила в редакцию 14.01.2015
В статье анализируются современные системы, в которых применяются статистические методы распознавания речи. Фонетические модели строятся автоматически на этапе обучения распознающей системы. В ближайшее десятилетие задача распознавания и понимания естественной речи говорящего будет занимать центральное место в речевых технологиях.
Ключевые слова: статистика, метод, распознавание речи, модель, акустика, фонема, фонетика, система.
Несмотря на привлекательность лингвистического подхода, основанного на знаниях, в большинстве современных распознающих систем применяются статистические методы распознавания речи, продолжающие то направление, принципы которого были экспериментально опробованы системой HARPY. Эти методы, дополненные определенными аку-стико-фонетическими сведениями, обеспечивают наиболее высокие показатели надежности и скорости распознавания естественных речевых сообщений.
В работе А. А. Карпова [1] указывается, что в настоящее время практически все системы автоматического распознавания речи строятся на основе нескольких базовых подходов: скрытые Марковские модели, искусственные нейронные сети, динамическое программирование.
Долгое время подход на основе динамического программирования (ДП) был доминирующим. Он позволяет производить сравнение речевого фрагмента с созданным заранее эталоном слова. Для того чтобы сравнить слово с эталоном, надо путем деформации оси времени совместить участки, соответствующие одним и тем же звукам, измерить остаточные различия между ними и просуммировать эти частные расстояния, взятые с некоторыми весовыми коэффициентами. Задача ДП сводится к поиску оптимального нелинейного согласования двух отрезков речи.
Основным недостатком подходов, основанных на ДП, является их дикторозависимость. Кроме того, каждый новый пользователь системы, перед тем как ее использовать, должен создать свои эталоны, т.е. наговорить все слова, которые присутствуют в словаре. Для повыше-
ния надежности распознавания при записи эталонов пользователю приходится повторять все слова по несколько раз. По этой причине такой подход сейчас используется лишь для приложений с малым словарем, например, вызов определенного абонента в мобильных телефонах или персонифицированное голосовое управление офисными программами.
Искусственные нейронные сети (ИНС) также используются при распознавании речи. Они представляют собой попытку использования процессов, происходящих в нервных системах биологических организмов. При правильно выбранной структуре сеть, натренированная на определенном наборе обучающих выборок, будет выдавать правильные результаты при подаче на ее вход данных, относящихся к тому же множеству, но непосредственно не участвующих в процессе обучения. На практике используются нейронные сети, имеющие один или несколько скрытых слоев нейронов между входом и выходом сети [2, с. 10]. В этом случае сложность сети определяется количеством нейронов в скрытом слое, так как количество нейронов во входном и выходном слоях фиксировано и зависит от условий задачи. Распространенным является подход, когда на входы нейронной сети подаются вектора признаков речевого сигнала, а выходы сети связаны с распознаваемым словарем (количество выходов равняется количеству слов в словаре). Несмотря на высокий потенциал, ИНС в области распознавания речи пока не получили широкого применения, поскольку их обучение имеет большую сложность и требует больших вычислительных ресурсов.
В настоящее время центральное место в статистических системах автоматического распо-
знавания речи принадлежит вероятностным акустико-фонетическим моделям (Phonetic Models), которые называют также скрытыми Марковскими моделями (от англ. Hidden Markov Model или HMM). Они позволяют решать задачи распознавания речи, а также улучшать качество сигнала, загрязненного шумами и искажениями, моделировать источник речевого сигнала, оптимизировать структуру диалога и др. [1, с. 14-16].
Теоретическая база этих моделей разработана петербургским профессором А.А. Марковым в начале ХХ века [3]. Сейчас методами Марковского моделирования пользуются многие исследователи случайных процессов. Разновидность Марковских моделей, называемая скрытая Марковская модель (СММ), основанная на теории дискретных случайных цепей, была впервые введена и изучена в конце 60-х - начале 70-х гг. XX в. СММ — это дважды стохастический процесс. Термин «дважды» используется для обозначения такой пары процессов, один из которых является основным, но скрытым от нас и наблюдаемым только через другой стохастический процесс. Модели такого типа особенно удобны для описания речевого сигнала, поскольку в действительности давление звуковой волны, которое мы измеряем, представляет собой только некоторый код основного символьного процесса, протекающего в ненаблюдаемых и полностью недоступных участках мозга
[4, с. 27].
В наблюдаемом акустическом процессе выявляются измеримые физические корреляты лингвистической структуры. При построении модели распознавания речи на основе СММ выбирают их основные параметры: тип модели (эргодическая, модель Бэкиса, лево-правая модель и др.), размер модели (число состояний), тип наблюдаемых параметров (дискретные или непрерывные плотности распределения векторов наблюдений). Если распознаваемый словарь небольшой, то можно для каждого слова создать вручную топологию СММ. При этом обычно количество состояний модели равняется количеству звуков (фонем) в слове. Для распознавания речи с большим словарем крайне затруднительно построить и обучить индивидуальную СММ для каждого слова. Поэтому каждое слово преобразуется в последовательность произносимых фонем, и строится модель для каждой фонемы. Как правило, модель фонемы имеет 3 состояния: первое описывает начало фонемы, второе представляет центральную часть фонемы и третье — окончание фонемы. СММ слова получается путем соединения в це-
почку моделей фонем из соответствующего фонетического алфавита. Аналогичным образом соединяются модели слов друг с другом, образуя модели фраз и предложений [1, с. 142]. Системы автоматического распознавания речи, использующие статистические методы, включают обычно три компонента: произносительный словарь, модель языка и набор статистических акустических моделей звуковых единиц. Произносительный словарь (или Лексикон - от англ. Lexicon) представляет собой обычный словник, в котором для каждого слова дана фонетическая или фонемная транскрипция. Слово в Лексиконе может иметь несколько транскрипций, отражающих фонетическую вариативность, которая не выводится из простых комбинаторных и позиционных правил реализации фонем в слове. В Лексикон могут включаться не только слова, но и отдельные словосочетания и даже фразы.
Модель языка (Language Model) теоретически должна задавать семантические и синтаксические ограничения, которым подчиняется построение предложений в данном языке. Подобные ограничения могут описываться разными грамматическими моделями. В большинстве систем автоматического распознавания речи используются так называемые статистические Марковские грамматики, которые задают вероятности (возможную частоту встречаемости) для различных последовательностей слов языка. Такие грамматики называются и-граммными. Например, биграммная модель задает вероятности для всех пар слов из Лексикона, триграмм-ная модель — для всех троек слов и т.д. На основе вероятностных характеристик производится оценка грамматического правдоподобия каждой цепочки слов, идентифицированной к данному моменту распознающего процесса. Грамматические оценки имеют решающее значение при распознавании слитной речи на основе больших словарей. В системах распознавания слитной речи на базе больших словарей основной тип используемой фонетической модели соответствует контекстной реализации фонемы или, в терминологии разработчиков таких моделей, трифону (англ. triphone).
Трифон практически совпадает с лингвистическим аллофоном. Однако трифоны, в отличие от традиционных аллофонов, выделяются не на основе субъективных слуховых или артикуляционных критериев, а с учетом степени акустических различий и их влияния на результаты распознавания. Обычно набор трифонов включает несколько тысяч контекстных реализаций, соответствующих фонемному инвентарю дан-
378
А.М. Грачев
ного языка. Кроме трифонов, в фонетическую базу распознавания могут включаться, если это необходимо, акустические модели и других речевых единиц - слогов, отдельных слов или даже фраз.
Фонетические модели, как и модели языка, строятся автоматически на этапе обучения распознающей системы. Для этого используются акустико-фонетические базы данных, которые представляют собой большие массивы звучащей речи, записанной от многих дикторов (не менее 100 человек), размеченной фонетически и снабженной транскрипцией (той же, которая используется для представления слов в Лексиконе).
Для построения акустико-фонетических моделей разработаны специальные процедуры обучения распознающей системы. Акустическим «сырьем» для обучения являются фрагменты речевых сигналов, выделенные в акусти-ко-фонетической базе данных в качестве акустических соответствий транскрипционных фонетических символов. Современные речевые технологии дают возможность строить фонетические модели трифонов без предварительной ручной сегментации сигналов в обучающей речевой базе. Для обучения необходима только их фонетическая транскрипция, которая осуществляется экспертами-фонетистами.
Перед обучением тренировочный акустический материал подвергается цифровому спектральному анализу, который в современных системах автоматического распознавания речи учитывает особенности обработки звукового сигнала в слуховой системе человека. В результате спектрального анализа обучающий акустический сигнал преобразуется в последовательность временных срезов, каждый из которых содержит информацию о спектральной огибающей сигнала на небольшом временном интервале (обычно 10-20 мс). Спектральный срез называют также спектральным вектором или вектором акустических признаков (Feature Vector).
После обучения система может работать как распознаватель звучащей речи. Распознавание произнесенного предложения начинается с его
спектрального анализа. Полученная (наблюдаемая) последовательность спектральных векторов сравнивается с теоретически возможными последовательностями векторов, которые генерируются (порождаются) распознающей системой на основе произносительного словаря и машинных фонетических моделей. Специальные процедуры поиска и оценки акустического сходства, а также грамматического правдоподобия позволяют выбрать последовательность слов, которая обладает наибольшей вероятностью с точки зрения языковой структуры и наблюдаемой акустической картины (Most Likely Sentence). В целом система работает по типу «анализ через синтез» [5, с. 47]. В целом отметим, что, несмотря на значительные успехи, достигнутые в последнее десятилетие, исследователям, которые занимаются разработкой систем, распознающих человеческую речь, еще многое предстоит сделать. Так, распознавание слитной речи даже в режиме диктовки не достигло еще такого уровня надежности, который имеют системы распознавания небольшого набора слов и словосочетаний.
В то же время ясно, что в ближайшее десятилетие задача распознавания и понимания естественной речи любого говорящего будет занимать центральное место в речевых технологиях.
Список литературы
1. Карпов А. А. Модели и программная реализация распознавания русской речи на основе морфемного анализа: Дис. ... канд. техн. наук: 05.13.11 / А.А. Карпов. СПб., 2007. 129 с.
2. Осовский С. Нейронные сети для обработки информации / С. Осовский; пер. с польского И. Ру-динского. М.: Финансы и статистика, 2004. 344 с.
3. Марков А. А. Об одном применении статистического метода // Известия АН, сер.6. 1916. X. № 4. 239 с.
4. Моттль В.В., Мучник И.Б. Скрытые Марковские модели в структурном анализе сигналов. М.: Физматлит, 1999. 351 с.
5. Кодзасов С.В., Кривнова О.Ф. Общая фонетика: Учебное пособие М.: РГГУ, 2001. 592 с.
STATISTIC METHODS FOR AUTOMATIC SPEECH RECOGNITION
A.M. Grachev
The article is devoted to the ananysis of modern systems where statistical methods of speech recognition are used. Phonetic models are built automatically during training of recognition system. In the next decade, the problem of recognition and understanding of the natural speech of the speaker will be a central part of speech technologies.
Keywords: statistics, method, speech recognition, model, acoustics, phoneme, phonetics, system.
References
1. Karpov A.A. Modeli i programmnaya realizatsiya raspoznavaniya russkoy rechi na osnove morfemnogo analiza: Dis. ... kand. tekhn. nauk: 05.13.11 / A.A. Karpov. SPb., 2007. 129 s.
2. Osovskiy S. Neyronnye seti dlya obrabotki informatsii / S. Osovskiy; per. s pol'skogo I. Rudinskogo. M.: Finansy i statistika, 2004. 344 s.
3. Markov A.A. Ob odnom primenenii statisticheskogo metoda // Izvestiya AN, ser.6. 1916. X. №4. 239 s.
4. Mottl' V.V., Muchnik I.B. Skrytye Markovskie modeli v strukturnom analize signalov. M.: Fizmatlit, 1999. 351 s.
5. Kodzasov S.V., Krivnova O.F. Obshchaya fo-netika: Uchebnoe posobie M.: RGGU, 2001. 592 s.
