Comparative experiments of several adaptation approaches to noisy speech recognition using stochastic trajectory models
Identifieur interne : 000B56 ( PascalFrancis/Curation ); précédent : 000B55; suivant : 000B57Comparative experiments of several adaptation approaches to noisy speech recognition using stochastic trajectory models
Auteurs : O. Siohan [France] ; Y. Gong [France] ; J. P. Haton [France]Source :
- Speech communication [ 0167-6393 ] ; 1996.
Descripteurs français
- Pascal (Inist)
English descriptors
- KwdEn :
Abstract
Résumé Cet article présente différentes approches pour la reconnaissance de parole en présence de bruit, intégrées à une Modelisation Stochastique des Trajectoires de parole (STM). Nous decrivons 4 méthodes: adaptation des modèles acoustiques par régression linéaire, transformation de l"espace acoustique de référence, combinaison de modèles stochastiques de parole et bruit, filtrage par état du signal bruité. L"évaluation des différentes approches est effectuée en mode dépendant du locuteur, sur une application de reconnaissance de parole continue comportant un vocabulaire de 1011 mots avec une grammaire de perplexite 28 (paire de mots). Les modèles acoustiques sont des modèles de phones indépendants du contexte, et leur apprentissage est effectué indépendamment de la tâche. Les différentes approches sont évaluées sous des conditions de bruit additifs variées, comprenant différents types de bruit et différents rapports signal-à-bruit. Les expériences montrent que l"adaptation des modèles par régression linéaire conduit aux meilleurs résultats, pour tous les types de bruits testés, et pour des rapports signal-à-bruit modérés (de 6 à 24 dB). En presence d"un bruit Gaussien, pour un rapport signal-à-bruit variant de 6 à 24 dB, l"adaptation par régression linéaire réduit le taux d"erreur de mots de 20% à 59% par rapport aux autres approches. zen, beobachtet werden.
pA |
|
---|
Links toward previous steps (curation, corpus...)
- to stream PascalFrancis, to step Corpus: Pour aller vers cette notice dans l'étape Curation :000D35
Links to Exploration step
Pascal:96-0387881Le document en format XML
<record><TEI><teiHeader><fileDesc><titleStmt><title xml:lang="en" level="a">Comparative experiments of several adaptation approaches to noisy speech recognition using stochastic trajectory models</title>
<author><name sortKey="Siohan, O" sort="Siohan, O" uniqKey="Siohan O" first="O." last="Siohan">O. Siohan</name>
<affiliation wicri:level="1"><inist:fA14 i1="01"><s1>CRIN - CNRS & INRIA Lorraine, BP 239</s1>
<s2>54506 Vandœuvre-lès-Nancy</s2>
<s3>FRA</s3>
<sZ>1 aut.</sZ>
<sZ>2 aut.</sZ>
<sZ>3 aut.</sZ>
</inist:fA14>
<country>France</country>
</affiliation>
</author>
<author><name sortKey="Gong, Y" sort="Gong, Y" uniqKey="Gong Y" first="Y." last="Gong">Y. Gong</name>
<affiliation wicri:level="1"><inist:fA14 i1="01"><s1>CRIN - CNRS & INRIA Lorraine, BP 239</s1>
<s2>54506 Vandœuvre-lès-Nancy</s2>
<s3>FRA</s3>
<sZ>1 aut.</sZ>
<sZ>2 aut.</sZ>
<sZ>3 aut.</sZ>
</inist:fA14>
<country>France</country>
</affiliation>
</author>
<author><name sortKey="Haton, J P" sort="Haton, J P" uniqKey="Haton J" first="J. P." last="Haton">J. P. Haton</name>
<affiliation wicri:level="1"><inist:fA14 i1="01"><s1>CRIN - CNRS & INRIA Lorraine, BP 239</s1>
<s2>54506 Vandœuvre-lès-Nancy</s2>
<s3>FRA</s3>
<sZ>1 aut.</sZ>
<sZ>2 aut.</sZ>
<sZ>3 aut.</sZ>
</inist:fA14>
<country>France</country>
</affiliation>
</author>
</titleStmt>
<publicationStmt><idno type="wicri:source">INIST</idno>
<idno type="inist">96-0387881</idno>
<date when="1996">1996</date>
<idno type="stanalyst">PASCAL 96-0387881 Elsevier</idno>
<idno type="RBID">Pascal:96-0387881</idno>
<idno type="wicri:Area/PascalFrancis/Corpus">000D35</idno>
<idno type="wicri:Area/PascalFrancis/Curation">000B56</idno>
</publicationStmt>
<sourceDesc><biblStruct><analytic><title xml:lang="en" level="a">Comparative experiments of several adaptation approaches to noisy speech recognition using stochastic trajectory models</title>
<author><name sortKey="Siohan, O" sort="Siohan, O" uniqKey="Siohan O" first="O." last="Siohan">O. Siohan</name>
<affiliation wicri:level="1"><inist:fA14 i1="01"><s1>CRIN - CNRS & INRIA Lorraine, BP 239</s1>
<s2>54506 Vandœuvre-lès-Nancy</s2>
<s3>FRA</s3>
<sZ>1 aut.</sZ>
<sZ>2 aut.</sZ>
<sZ>3 aut.</sZ>
</inist:fA14>
<country>France</country>
</affiliation>
</author>
<author><name sortKey="Gong, Y" sort="Gong, Y" uniqKey="Gong Y" first="Y." last="Gong">Y. Gong</name>
<affiliation wicri:level="1"><inist:fA14 i1="01"><s1>CRIN - CNRS & INRIA Lorraine, BP 239</s1>
<s2>54506 Vandœuvre-lès-Nancy</s2>
<s3>FRA</s3>
<sZ>1 aut.</sZ>
<sZ>2 aut.</sZ>
<sZ>3 aut.</sZ>
</inist:fA14>
<country>France</country>
</affiliation>
</author>
<author><name sortKey="Haton, J P" sort="Haton, J P" uniqKey="Haton J" first="J. P." last="Haton">J. P. Haton</name>
<affiliation wicri:level="1"><inist:fA14 i1="01"><s1>CRIN - CNRS & INRIA Lorraine, BP 239</s1>
<s2>54506 Vandœuvre-lès-Nancy</s2>
<s3>FRA</s3>
<sZ>1 aut.</sZ>
<sZ>2 aut.</sZ>
<sZ>3 aut.</sZ>
</inist:fA14>
<country>France</country>
</affiliation>
</author>
</analytic>
<series><title level="j" type="main">Speech communication</title>
<title level="j" type="abbreviated">Speech commun.</title>
<idno type="ISSN">0167-6393</idno>
<imprint><date when="1996">1996</date>
</imprint>
</series>
</biblStruct>
</sourceDesc>
<seriesStmt><title level="j" type="main">Speech communication</title>
<title level="j" type="abbreviated">Speech commun.</title>
<idno type="ISSN">0167-6393</idno>
</seriesStmt>
</fileDesc>
<profileDesc><textClass><keywords scheme="KwdEn" xml:lang="en"><term>Comparative study</term>
<term>Filtering</term>
<term>Linear regression</term>
<term>Noise reduction</term>
<term>Speech processing</term>
<term>Speech recognition</term>
<term>Stochastic model</term>
</keywords>
<keywords scheme="Pascal" xml:lang="fr"><term>Etude comparative</term>
<term>Traitement parole</term>
<term>Reconnaissance parole</term>
<term>Modèle stochastique</term>
<term>Régression linéaire</term>
<term>Filtrage</term>
<term>Réduction bruit</term>
</keywords>
</textClass>
</profileDesc>
</teiHeader>
<front><div type="abstract" xml:lang="fr">Résumé Cet article présente différentes approches pour la reconnaissance de parole en présence de bruit, intégrées à une Modelisation Stochastique des Trajectoires de parole (STM). Nous decrivons 4 méthodes: adaptation des modèles acoustiques par régression linéaire, transformation de l"espace acoustique de référence, combinaison de modèles stochastiques de parole et bruit, filtrage par état du signal bruité. L"évaluation des différentes approches est effectuée en mode dépendant du locuteur, sur une application de reconnaissance de parole continue comportant un vocabulaire de 1011 mots avec une grammaire de perplexite 28 (paire de mots). Les modèles acoustiques sont des modèles de phones indépendants du contexte, et leur apprentissage est effectué indépendamment de la tâche. Les différentes approches sont évaluées sous des conditions de bruit additifs variées, comprenant différents types de bruit et différents rapports signal-à-bruit. Les expériences montrent que l"adaptation des modèles par régression linéaire conduit aux meilleurs résultats, pour tous les types de bruits testés, et pour des rapports signal-à-bruit modérés (de 6 à 24 dB). En presence d"un bruit Gaussien, pour un rapport signal-à-bruit variant de 6 à 24 dB, l"adaptation par régression linéaire réduit le taux d"erreur de mots de 20% à 59% par rapport aux autres approches. zen, beobachtet werden.</div>
</front>
</TEI>
<inist><standard h6="B"><pA><fA01 i1="01" i2="1"><s0>0167-6393</s0>
</fA01>
<fA02 i1="01"><s0>SCOMDH</s0>
</fA02>
<fA03 i2="1"><s0>Speech commun.</s0>
</fA03>
<fA05><s2>18</s2>
</fA05>
<fA06><s2>4</s2>
</fA06>
<fA08 i1="01" i2="1" l="ENG"><s1>Comparative experiments of several adaptation approaches to noisy speech recognition using stochastic trajectory models</s1>
</fA08>
<fA11 i1="01" i2="1"><s1>SIOHAN (O.)</s1>
</fA11>
<fA11 i1="02" i2="1"><s1>GONG (Y.)</s1>
</fA11>
<fA11 i1="03" i2="1"><s1>HATON (J. P.)</s1>
</fA11>
<fA14 i1="01"><s1>CRIN - CNRS & INRIA Lorraine, BP 239</s1>
<s2>54506 Vandœuvre-lès-Nancy</s2>
<s3>FRA</s3>
<sZ>1 aut.</sZ>
<sZ>2 aut.</sZ>
<sZ>3 aut.</sZ>
</fA14>
<fA20><s1>335-352</s1>
</fA20>
<fA21><s1>1996</s1>
</fA21>
<fA23 i1="01"><s0>ENG</s0>
</fA23>
<fA24 i1="01"><s0>eng</s0>
</fA24>
<fA43 i1="01"><s1>INIST</s1>
<s2>19642</s2>
<s5>354000063850420004</s5>
</fA43>
<fA44><s0>9000</s0>
<s1>© 1996 Elsevier Science B.V. All rights reserved.</s1>
</fA44>
<fA47 i1="01" i2="1"><s0>96-0387881</s0>
</fA47>
<fA60><s1>P</s1>
</fA60>
<fA61><s0>A</s0>
</fA61>
<fA64 i1="01" i2="1"><s0>Speech communication</s0>
</fA64>
<fA66 i1="01"><s0>NLD</s0>
</fA66>
<fC01 i1="01" l="FRE"><s0>Résumé Cet article présente différentes approches pour la reconnaissance de parole en présence de bruit, intégrées à une Modelisation Stochastique des Trajectoires de parole (STM). Nous decrivons 4 méthodes: adaptation des modèles acoustiques par régression linéaire, transformation de l"espace acoustique de référence, combinaison de modèles stochastiques de parole et bruit, filtrage par état du signal bruité. L"évaluation des différentes approches est effectuée en mode dépendant du locuteur, sur une application de reconnaissance de parole continue comportant un vocabulaire de 1011 mots avec une grammaire de perplexite 28 (paire de mots). Les modèles acoustiques sont des modèles de phones indépendants du contexte, et leur apprentissage est effectué indépendamment de la tâche. Les différentes approches sont évaluées sous des conditions de bruit additifs variées, comprenant différents types de bruit et différents rapports signal-à-bruit. Les expériences montrent que l"adaptation des modèles par régression linéaire conduit aux meilleurs résultats, pour tous les types de bruits testés, et pour des rapports signal-à-bruit modérés (de 6 à 24 dB). En presence d"un bruit Gaussien, pour un rapport signal-à-bruit variant de 6 à 24 dB, l"adaptation par régression linéaire réduit le taux d"erreur de mots de 20% à 59% par rapport aux autres approches. zen, beobachtet werden.</s0>
</fC01>
<fC02 i1="01" i2="X"><s0>001D04A05B</s0>
</fC02>
<fC03 i1="01" i2="X" l="FRE"><s0>Etude comparative</s0>
<s5>01</s5>
</fC03>
<fC03 i1="01" i2="X" l="ENG"><s0>Comparative study</s0>
<s5>01</s5>
</fC03>
<fC03 i1="01" i2="X" l="GER"><s0>Vergleich</s0>
<s5>01</s5>
</fC03>
<fC03 i1="01" i2="X" l="SPA"><s0>Estudio comparativo</s0>
<s5>01</s5>
</fC03>
<fC03 i1="02" i2="X" l="FRE"><s0>Traitement parole</s0>
<s5>02</s5>
</fC03>
<fC03 i1="02" i2="X" l="ENG"><s0>Speech processing</s0>
<s5>02</s5>
</fC03>
<fC03 i1="02" i2="X" l="SPA"><s0>Tratamiento palabra</s0>
<s5>02</s5>
</fC03>
<fC03 i1="03" i2="X" l="FRE"><s0>Reconnaissance parole</s0>
<s5>03</s5>
</fC03>
<fC03 i1="03" i2="X" l="ENG"><s0>Speech recognition</s0>
<s5>03</s5>
</fC03>
<fC03 i1="03" i2="X" l="SPA"><s0>Reconocimiento palabra</s0>
<s5>03</s5>
</fC03>
<fC03 i1="04" i2="X" l="FRE"><s0>Modèle stochastique</s0>
<s5>04</s5>
</fC03>
<fC03 i1="04" i2="X" l="ENG"><s0>Stochastic model</s0>
<s5>04</s5>
</fC03>
<fC03 i1="04" i2="X" l="SPA"><s0>Modelo estocástico</s0>
<s5>04</s5>
</fC03>
<fC03 i1="05" i2="X" l="FRE"><s0>Régression linéaire</s0>
<s5>05</s5>
</fC03>
<fC03 i1="05" i2="X" l="ENG"><s0>Linear regression</s0>
<s5>05</s5>
</fC03>
<fC03 i1="05" i2="X" l="SPA"><s0>Regresión lineal</s0>
<s5>05</s5>
</fC03>
<fC03 i1="06" i2="X" l="FRE"><s0>Filtrage</s0>
<s5>06</s5>
</fC03>
<fC03 i1="06" i2="X" l="ENG"><s0>Filtering</s0>
<s5>06</s5>
</fC03>
<fC03 i1="06" i2="X" l="SPA"><s0>Filtrado</s0>
<s5>06</s5>
</fC03>
<fC03 i1="07" i2="X" l="FRE"><s0>Réduction bruit</s0>
<s5>07</s5>
</fC03>
<fC03 i1="07" i2="X" l="ENG"><s0>Noise reduction</s0>
<s5>07</s5>
</fC03>
<fC03 i1="07" i2="X" l="SPA"><s0>Reducción ruido</s0>
<s5>07</s5>
</fC03>
<fN21><s1>267</s1>
</fN21>
</pA>
</standard>
</inist>
</record>
Pour manipuler ce document sous Unix (Dilib)
EXPLOR_STEP=$WICRI_ROOT/Wicri/Lorraine/explor/InforLorV4/Data/PascalFrancis/Curation
HfdSelect -h $EXPLOR_STEP/biblio.hfd -nk 000B56 | SxmlIndent | more
Ou
HfdSelect -h $EXPLOR_AREA/Data/PascalFrancis/Curation/biblio.hfd -nk 000B56 | SxmlIndent | more
Pour mettre un lien sur cette page dans le réseau Wicri
{{Explor lien |wiki= Wicri/Lorraine |area= InforLorV4 |flux= PascalFrancis |étape= Curation |type= RBID |clé= Pascal:96-0387881 |texte= Comparative experiments of several adaptation approaches to noisy speech recognition using stochastic trajectory models }}
This area was generated with Dilib version V0.6.33. |