Abstract: This paper presents a theoretical framework for environment normalization training and adaptation in the context of mixture stochastic trajectory models. The presented approach extends, to segment based models, the currently successful technique of environment normalization used in adapting Hidden Markov models. It also adds to the environment normalization framework a novel method for representing and combining different sources of variability. In our approach the normalization and adaptation are performed using linear transformations. When applied to speaker and noise adaptation in a continuous speech recognition task, our method led to up to 34% improvement in the recognition accuracy for speaker adaptation compared to unadapted models. For noise adaptation the technique outperformed environment dependent models for some of the tested cases. It was also observed that using environment normalization training in conjunction with transformation adaptation outperforms conventional MLLR.

Résumé: Cet article présente une approche de l'apprentissage et de l'adaptation du modèle acoustique, appelée normalisation des environnements, appliquée au modèle stochastique des mélanges de trajectoires. L'approche proposée étend la technique connue de normalisation des environnements — utilisée pour l'adaptation des HMM — aux modèles fondés sur les segments. De plus, l'approche proposée donne une nouvelle méthode de représentation et de combinaison des différentes sources de la variabilité de la parole. Dans notre approche, la normalisation et l'adaptation sont effectuées en utilisant des transformations linéaires. Les expériences sont effectuées sur un corpus de parole continue avec adaptation au locuteur et adaptation au bruit. Les résultats des expériences de l'adaptation au locuteur montrent que l'approche proposée conduit à une amélioration du taux de reconnaissance jusqu'à 34% par rapport au modèle non adapté. Les résultats des expériences de l'adaptation au bruit montrent que pour certaines configurations de test la technique proposée donne même de meilleurs résultats que le modèle dépendant de l'environnement. Nous avons également observé que l'apprentissage par la normalisation des environnements et l'adaptation sont plus performants que l'apprentissage classique et l'adaptation par régression linéaire (MLLR).

EXPLOR_STEP=$WICRI_ROOT/Wicri/Lorraine/explor/InforLorV4/Data/Main/Merge

HfdSelect -h $EXPLOR_STEP/biblio.hfd -nk 00B970 | SxmlIndent | more

HfdSelect -h $EXPLOR_AREA/Data/Main/Merge/biblio.hfd -nk 00B970 | SxmlIndent | more

{{Explor lien
   |wiki=    Wicri/Lorraine
   |area=    InforLorV4
   |flux=    Main
   |étape=   Merge
   |type=    RBID
   |clé=     ISTEX:7774D85120FAEAD6EC87B3303D54D6122E9C08D0
   |texte=   Environment normalization training and environment adaptation using mixture stochastic trajectory model
}}