بازشناسی گفتار پیوسته فارسی بر مبنای مدل سازی وقایع گسسته صوتی

در اینجا یک مدل وقایع گسسته برای بازشناسی گفتار پیوسته فارسی مستقل از گوینده ارائه شده است. در این مدل شبکه عصبی جلو سری با تأخیر زمانی TDNN با دو لایه پنهان برای بازشناسی وقایع صوتی سیگنال گفتار تعلیم داده شده است. وقایع (events)، اتفاقات گذرا و لحظه ای خاصی هستند که در سیگنال صحبت رخ می دهند و حاوی اطلاعات قابل توجهی می باشند. در تعریف آنها از تجربیات زیست شناختی و عصب شناختی شنوایی و همچنین اطلاعات زبانشناختی و بررسی نحوه تولید آواهای زبان فارسی استفاده شده است. علاوه بر آن با تحلیل خطاهای سیستم های بازشناسی بر پایه فریم و یا بر پایه بازشناسی مرز واج‌ها و انجام آزمایشات ریاضی مختلف بر روی پارامترها سعی شده کلاس‌های مختلف وقایع به گونه‌ای معرفی شوند که بیانگر نواحی گذرا و سریع سیگنال باشند و تناقضات موجود در نحوه برچسب دهی واحدها که مانع از یادگیری کامل شبکه ها می شدند را نیز برطرف کنند. در آزمایش از دادگان فارس دات و پارامترهای LHCB استفاده شده است و میزان صحت شناسایی وقایع توسط برنامه استاندارد NIST استخارج شده که نتایج در مقایسه با سایر روشها امیدوار کننده است.