Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: robust speech recognition

Sortuj według:

Ogranicz wyniki do:

Speech recognizer-based non-uniform spectral compression for robust MFCC feature extraction

Baba Ali B., Wójcik W., Mamyrbayev O., Turdalyuly M., Mekebayev N.

Przegląd Elektrotechniczny

2018

R. 94, nr 6

90--93

Spectral compression is an effective robust feature extraction technique to reduce the mismatch between training and testing data in feature domain. In this paper we propose a new MFCC feature extraction method with non-uniform spectral compression for speech recognition in noisy environments. In this method, the energies of the outputs of the mel-scaled band pass filters are compressed by different root values adjusted based on information from the back-end of speech recognition system. Using this new scheme of speech recognizer based non-uniform spectral compression (SRNSC) for mel-scaled filter-bank-based cepstral coefficients, substantial improvement is found for recognition in presence of different additive noises with different SNR values on TIMIT database, as compared to the standard MFCC and features derived with cubic root spectral compression.

Kompresja spektralna jest efektywną i niezawodną techniką wyodrębniania cech w celu zmniejszenia niedopasowania między danymi uczącymi i testowymi w domenie cech. W tym artykule proponujemy nową metodę wyodrębniania cech MFCC z niejednorodną kompresją spektralną do rozpoznawania mowy w hałaśliwym otoczeniu. W opisywanej metodzie, energie wyjść pasmowych filtrów skali melowej są kompresowane przez różne wartości bazowe wyznaczone na podstawie informacji z back-endu systemu rozpoznawania mowy. Stosując ten nowy schemat niejednorodnej kompresji spektralnej (SRNSC) opartej na rozpoznawaniu mowy dla współczynników cepstralnych opartych na banku filtrów o skali melowej, stwierdzono znaczną poprawę rozpoznawania w obecności różnych szumów addytywnych o różnych wartościach SNR z bazy danych TIMIT, w porównaniu do standardowego MFCC i cech wyznaczonych za pomocą pierwiastkowej kompresji spektralnej.

Model-Based Feature Compensation for Robust Speech Recognition

Shen H., Li Q., Guo J., Liu G.

Fundamenta Informaticae

2006

Vol. 72, nr 4

529-539

This paper proposes a novel robust speech recognition approach based on the model-based feature compensation. The approach combines the GMM-based feature compensation and the HMM-based feature compensation together and employs the multiple recognition passes to achieve the best performance. In the initial recognition procedure, the GMM-based feature compensation approach is employed to give better clean model and noise model. Then we further refine these models by employing the HMM-based feature compensation approach. The statistical model of the clean speech and the noise is combined by using vector Taylor series (VTS) approximation. The experimental results show that the novel approach makes a significant improvement compared to the GMM-based feature compensation and the HMM-based feature compensation without any compensation in the initial pass.