This was observed to improve the pe

This was observed to improve the performance in noisy conditions. The incorporation of the voicing information we present here differs from the above works in the following: i) the voicing information employed is estimated by a novel method that can provide this information for each filter-bank channel, while requiring no information about the F0; ii) the voicing-information is incorporated within an HMM-based statistical framework in the back-end of the ASR system; iii) the evaluation is performed on noisy speech recognition. In the proposed model, having the trained HMMs, with each mixture at each HMM state is associated a voicing-probability, which is estimated by a separate Viterbi-style training procedure (without altering the trained HMMs). The incorporation of the voicing-probability serves as a penalty during recognition for those mixtures/states whose voicing information does not correspond to the voicing information of the signal. The incorporation of the voicing information is evaluated in a standard model and in a missing-feature model that had compensated for the effect of noise. Experiments are performed on the Aurora 2 database. Experimental results show significant
improvements in recognition performance in strong noisy conditions obtained by the
models incorporating the voicing information.

Kết quả (Việt) 1:

Điều này quan sát để cải thiện hiệu suất trong điều kiện ồn ào. Sự kết hợp của lồng tiếng thông tin chúng tôi trình bày ở đây khác với các công trình ở trên trong sau: i) các thông tin lồng tiếng làm việc được ước tính bằng phương pháp cuốn tiểu thuyết có thể cung cấp thông tin này cho mỗi kênh ngân hàng bộ lọc, trong khi yêu cầu có thông tin về F0; II) lồng tiếng-thông tin được tích hợp trong một khuôn khổ thống kê dựa trên HMM cuối trở lại hệ thống ASR; III) việc thẩm định được thực hiện trên nhận dạng giọng nói ồn ào. Trong mô hình được đề xuất, có HMMs được đào tạo, với mỗi hỗn hợp tại mỗi tiểu bang HMM là liên quan đến một lồng tiếng-xác suất, mà một thủ tục riêng biệt đào tạo Viterbi-phong cách ước tính (mà không thay đổi HMMs được đào tạo). Sự kết hợp của khả năng lồng tiếng phục vụ như là một hình phạt trong sự công nhận cho những hỗn hợp/tiểu bang mà lồng tiếng thông tin không phù hợp với thông tin lồng tiếng của các tín hiệu. Sự kết hợp của lồng tiếng thông tin được đánh giá trong một mô hình chuẩn và một mô hình tính năng thiếu có đền bù cho ảnh hưởng của tiếng ồn. Thí nghiệm được thực hiện trên cơ sở dữ liệu Aurora 2. Kết quả thử nghiệm cho thấy quan trọng những cải tiến về công nhận hoạt động trong điều kiện ồn ào mạnh thu được bằng các Mô hình kết hợp các thông tin lồng tiếng.

Kết quả (Việt) 2:

Điều này đã được quan sát thấy để cải thiện hiệu suất trong điều kiện ồn ào. Việc đưa thông tin lên tiếng, chúng tôi trình bày ở đây khác với các công trình nêu trên trong những điều sau đây: i) các thông tin bày tỏ việc làm được ước tính bằng một phương pháp mới có thể cung cấp thông tin này cho mỗi kênh lọc ngân hàng, trong khi đòi hỏi không có thông tin về F0; ii) thì giọng nói-thông tin được kết hợp trong một hệ thống thống kê HMM-trụ sở tại phía sau của hệ thống ASR; iii) đánh giá được thực hiện trên nhận dạng giọng nói ồn ào. Trong mô hình đề xuất, có HMMs đào tạo, mỗi hỗn hợp ở mỗi tiểu bang HMM được kết hợp một lồng tiếng xác suất, mà theo ước tính của một thủ tục đào tạo Viterbi phong cách riêng biệt (mà không thay đổi HMMs được đào tạo). Sự kết hợp của thì giọng nói xác suất phục vụ như là một quả phạt đền trong sự công nhận cho những hỗn hợp / tiểu bang có thông tin bày tỏ không tương ứng với các thông tin lồng tiếng của các tín hiệu. Việc đưa thông tin lên tiếng được đánh giá trong một mô hình tiêu chuẩn và trong một mô hình còn thiếu tính năng để đã bù đắp cho sự ảnh hưởng của tiếng ồn. Các thí nghiệm được thực hiện trên cơ sở dữ liệu Aurora 2. Kết quả thử nghiệm cho thấy đáng kể
cải thiện hiệu suất công nhận trong điều kiện ồn ào mạnh thu được từ các
mô hình kết hợp các thông tin bày tỏ.