ОБ АВТОМАТИЧЕСКОМ РАСПОЗНАВАНИИ РЕЧИ

 
133 
 
 
 
… 
 
Рисунок 1. Разбивка исходного звукового сигнала на «кадры» 
 
После  раскадровки  звук  представлен  набором  векторов  с  размерностью  в  величину 
кадра, что предполагает солидный объем вычислений при дальнейшей его обработке. Однако 
речевой  сигнал  помимо  речи  содержит  информацию  о  дикторе:  его  настроение  в  момент 
произнесения слова, пол, высоту голоса, и т.д. Поэтому прибегают к процедуре уменьшения 
размерности  векторов  –  извлечения  только  той  информации,  которой  все  еще  будет 
достаточно для распознавания речи («Future Extraction»). Имеется ряд алгоритмов, которые 
позволяют  это  сделать.  Среди  них  БПФ  в  мел-масштабе  /3/,  мел-частотные  кепстральные 
коэффициенты (MFCC), коэффициенты линейного предсказания (LPC) /5/, метод Шелепова 
и  Старушко  /8/  и  др.  Большинство  из  перечисленных  методов  имеют  дело  с  частотным 
представлением  сигнала.  Характерным  является  то,  что  некоторые  из  выше  определенных 
учитывают  особенности  слуховой  системы  человека  (как,  например,  MFCC),  пропуская 
спектр  сигнала  через  банк  фильтров  в  мел-масштабе  (т.е.  в  таком  масштабе,  при  котором 
нижние частоты учитываются линейно, а верхние – логарифмически). 
Теперь  мы  имеем  набор  векторов  относительно  небольшой  размерности  и  можем 
подать  их  на  обработку  в  ядро  системы  распознавания.  Прежде  всего,  метод  дальнейшей 
обработки зависит от того, должна ли система распознавать лишь изолированные слова, либо 
отдельные слова в слитной речи (т.е. без явного определения начала и конца слова), или же 
слитную речь. Как вы могли заметить, задачи перечислены по возрастанию сложности.  
Итак,  рассмотрим  первый  вариант  –  распознавание  изолированных  слов.  Для  того, 
чтобы  распознать  слово,  мы  должны  первым  делом  определить  его  границы,  т.е.  участки, 
начала и конца слова. Далее мы сравниваем полученное слово со всеми записанными ранее 
эталонами  и  выдаем  наиболее  близкий  вариант.  Но  метод  сравнения  должен  учитывать 
возможную  временную  разность  между  эталоном  и  исходным  словом,  например,  эталон 
«один»,  а  сказанное  слово  «оди-и-и-н».  Эту  задачу  прекрасно  решает  алгоритм 
динамического  программирования  DTW  (Dynamic  Time  Warping  –  динамическая  свертка 
времени) /3, 6/. 
Для распознавания слов слитной речи требуются более сложные приемы. Одним из 
наиболее  мощных  и  широко  распространенных  инструментов  в  этой  области  являются 
Скрытые  Марковские  Модели  (СММ)  /3/.  СММ  прекрасно  подходят  для  моделирования 
временных характеристик сигналов, к коим относится речь. Ключевые понятия в СММ – это 
«состояние» и  «переход» к следующему состоянию. В качестве состояния могут выступать 
векторы признаков, описанные выше.  А переходы характеризуются  вероятностями и могут 
указывать  либо  на  исходное  состояние,  либо  на  следующие,  но  ни  в  коем  случае  не  на 
предыдущие  состояния,  т.к.  время  движется  только  «вперед».  Суть  применения  СММ 
состоит  в  том,  что  сначала  по  исходным  образцам  «обучают»  СММ  –  т.е.  определяют 
состояния  и  вероятности  переходов  для  N  классов,  формируют  N  моделей,  после  чего 
обученную  СММ  применяют  для  распознавания  новых  образцов.  В  этом  и  заключается 
смысл «скрытых» марковских моделей – сами состояния и переходы между ними наблюдать 
мы  не  можем,  но  по  наблюдаемой  последовательности  можем  определить  с  определенной 
степенью уверенности, какой из известных моделей такая последовательность могла бы быть 
получена.  Обучение  обычно  ведется  по  алгоритму  «прямого-обратного  хода»  /3/.  Для 
распознавания  слитной  речи  используется  алгоритм  Витерби,  для  изолированных  слов 
подходит  алгоритм  «прямого  хода»  /3/.  Результатом  распознавания  считается  класс  из  N 
имеющихся с максимальным значением произведения вероятности появления этого класса и 
1-й кадр 
2-й кадр 
3-й кадр 
4-й кадр 
5-й кадр 
6-й кадр 

 
134 
вероятности того, что наблюдаемый образец был порожден моделью данного класса. Часто 
СММ применяют для пофонемного метода распознавания речи. В этом случае классы – это 
фонемы  (минимальные  звуковые  единицы  речи  небольшой  длительности),  а  результатом 
распознавания  является  фонетическая  транскрипция  речи  /5/.  Далее  осуществляется  поиск 
наиболее  близкого  соответствия  полученной  транскрипции  из  заранее  подготовленного 
словаря.  
Для  повышения  качества  распознавания  речи  требуется  учитывать  контекстную 
информацию анализируемых участков, правила грамматики распознаваемого языка, порядок 
слов  в  предложении  и  другие  факторы,  зависящие  от  конкретного  языка,  что  в  разы 
увеличивает  число  входных  параметров  для  системы  распознавания  и  соответствующий 
объем вычислений.  В таблице 1 для примера приведены характеристики некоторых систем. 
 
Таблица 1. Сравнительные результаты систем для базы Resource Management (/3/) 
Система 
Число параметров  Число моделей 
Точность 
распознавания 
CI-Sphinx 
111,000 
48 
84.4% 
CI-Decipher 
126,000 
69 
86.0% 
Decipher 
5,500,000 
3,428  
95.1% 
Sphinx-II 
9,217,000 
7,549  
96.2% 
 
 Во всех перечисленных в таблице 1 системах «ядром» является СММ. В первых двух 
используется  контекстно-независимые  фонемные  модели,  в  третьей  и  четвертой  – 
контекстно-зависимые  фонемные  модели,  поэтому  у  последних  наблюдается  лучшая 
точность наряду с резким увеличением числа анализируемых параметров. 
Еще  одним  мощным  инструментом  для  решения  задач  распознавания  речи  служат 
искусственные нейронные сети. В особенности, гибриды многослойного персептрона /7/ и 
СММ.  Гибриды  появились  путем  расширения  задач  персептрона  из  классификации 
статичных  образов  (с  коими  он  прекрасно  справляется)  на  решение  задач  в  динамичной 
области.    Нейронные  сети  с  временной  задержкой  (TDNN  –  Time-Delay  Neural  Networks) 
были  предложены  и  опробованы  на  задаче  дикторозависимого  распознавания  фонем  «B» 
«D»  «G»  в  /4/.  Развитием  идеи  TDNN  являются  нейронные  сети  с  временной  задержкой  и 
множеством  состояний  (MS-TDNN  –  Multi  State  Time-Delay  Neural  Networks),  которые 
применимы для распознавания на уровне слов (Рисунок 2). 
 
 
Рисунок 2. Нейронная сеть MS-TDNN (/3/) 
3 временные задержки → 
5 временных задержек → 
копирование весов → 
Входной слой 
Скрытый слой 
Слой фонем 
Слой DTW 
Уровень слов 

 
135 
MS-TDNN  для  слитной  речи  с  большим  словарем  применил  Tebelskis  и  достиг 
точности 90.5% с числом параметров в 67 тыс. /3/. Примечательно, что  MS-TDNN успешно 
применяется  не  только  в  распознавании  речи,  но  и  в  распознавании  рукописных  букв  в 
реальном  времени  /2/.  Отличительной  особенностью  MS-TDNN  является  то,  что  в  нее 
интегрирован слой DTW для определения слов. Обучают нейронные сети часто при помощи 
алгоритма обратного распространения ошибки и его вариаций.  
Относительно новым направлением являются импульсные нейронные сети (Spiking 
Neural  Networks  –  SNN),  предназначенные  для  временной  классификации  образов  /1/. 
Принцип действия SNN состоит в более качественном имитировании естественных нейронов 
по  сравнению  с  классическим  персептроном.  Сеть  получает  на  входы  серию  импульсов  и 
выдает на выходе импульсы (Рисунок 3). 
 
 
 
 
 
Рисунок 3. Импульсная нейронная сеть с одним скрытым слоем (/1/) 
 
Каждый нейрон в составе сети в каждый момент времени обладает неким значением, 
аналогичным  электрическому  потенциалу  в  биологическом  нейроне.  При  превышении 
определенного  порога  нейрон  посылает  «импульс»  и  обретает  потенциал  ниже  среднего, 
имитирую  процесс  реабилитации.  Значение  потенциала  в  нейроне  всегда  стремиться  к 
некоторому среднему и плавно приближается к нему, если выведено из равновесия. Весовые 
связи  импульсного  нейрона  характеризуются  такими  параметрами,  как  время  задержки,  и 
величина веса. Для импульсных сетей еще нет мощной математической базы, как, например, 
для  персептрона  и  СММ.  Тем  не  менее,  в  /1/  приводится  адаптированный  алгоритм 
обратного  распространения  ошибки  для  обучения  сети,  а  так  же  проведен  эксперимент 
распознавания цифр по серии изображений губ («чтение по губам»). 
В заключение хотелось бы отметить, что обзор в данной статье охватывает далеко не 
все способы и методы распознавания речи, а лишь некоторые известные на данный момент. 
Тем  не  менее,  это  дает  общее  представление  о  том,  каким  образом  может  происходить 
процесс распознавания слов и речи. 
Литература 
1.
 
Booij O. «Temporal Pattern Classification using Spiking Neural Networks», 2004 
2.
 
Hild H. and Waibel A., «Connected Letter Recognition with a Multi-State Time Delay 
Neural Network». Advances in Neural Network Information Processing Systems (NIPS-5). Morgan 
Kaufmann, 1993. 
3.
 
Tebelskis J, «Speech Recognition using Neural Networks», 1995 
4.
 
Waibel  A.,  Hanazawa  T.,  Hinton  G.,  Shikano  K.,  Lang  K.J.  «Phoneme  Recognition 
Using  Time-Delay  Neural  Networks»,  IEEE  Transactions  On  Accoustics,  Speech  And  Signal 
Processing, Vol. 37, 1989 
входные сигналы 
выходные сигналы 
входной 
слой 
скрытый 
слой 
выходной 
слой 

 
136 
5.
 
Аграновский А.В., Леднов Д.А. «Теоретические аспекты алгоритмов обработки и 
классификации речевых сигналов», М. «Радио и связь», 2004 
6.
 
Винцюк  Т.К.  «Анализ,  распознавание  и  интерпретация  речевых  сигналов», 
Наукова Думка, 1987 
7.
 
Минский М. Л., Пейперт С. «Персептроны»,  М: Мир, 1971 
8.
 
Шелепов  В.Ю.,  Старушко  Д.Г.,  «Новая  система  признаков  для  распознавания 
речевых единиц», «Искусственный интеллект» 4`2002. 
 
 
УДК 004.432.4 
 
РАСПОЗНАВАНИЯ РЕЧИ 
 
Жантолин Досбол Бокенулы 
Магистрант ЕНУ им. Л.Н. Гумилева, Астана 
Научный руководитель – Бекманова Г.Т. 
 
Речевые  технологии  -  технологии  ХХI  ВЕКА  благодаря  которым  появилась 
возможность  управлять  компьютером  с  помощью  голоса,  диктовать  текст,  слушать,  а  не 
читать  книги,  а  в  перспективе  общаться  с  компьютером  на  интеллектуальном  уровне. 
Основными  направлениями  исследований  в  этой  области  являются:  распознавание  речи, 
синтез речи, средства речевого управления, идентификация по образцу речи. 
Распознавание  речи  -  технология,  позволяющая  использовать  естественный  для 
человека речевой интерфейс для взаимодействия с электронной техникой.  
Технология распознавания речи предоставляет возможность распознавания отдельных 
слов  или  слитной  человеческой  речи,  с  последующим  ее  преобразованием  в  текст  либо 
последовательность команд.  
Распознавание  речи  –  это  проблема,  над  которой  ученые  всего  Мира  работают  на 
протяжении  последних  50  лет.  На  сегодняшний  день  нельзя  сказать,  что  существуют 
эффективные  системы  распознавания  речи.  Однако  в  данной  области  достигнуты  большие 
успехи    для  английского,  испанского,  японского,  китайского,  французского  и  русского 
языков.  Эти  успехи  достигнуты  в  основном  для  наиболее  распространенных  языков  и  для 
языков развитых стран, в том числе технологически. Для казахского языка такие работы то 
же ведутся и достигнуты определенные результаты, хотя можно сказать, что для Казахстана  
– это относительно новое научное направление. 
Ниже представлен анализ существующих систем распознавания речи. 
1.Программное обеспечение систем распознавания речи: 
ПО 
Плюсы 
Минусы 
Разработчик 
1. Dragon. Единственная программа, 
приблизившаяся к тому, чтобы 
выполнить рекламные обещания, - 
160-долларовая Dragon 
NaturallySpeaking Preferred - хорошо 
вводила текст и позволяла легко 
переключаться между диктовкой, 
правкой и форматированием. В целом 
он очень близко подошел к 
достижению заявленной 
безошибочности распознавания - 
95%.  
самая высокая 
безошибочность 
распознавания, 
простота 
использования. 
Поддержка 
разработчиком. 
Неудобный ввод 
чисел, 
посредственное 
управление 
экраном. Нет 
распознавания 
Русского языка. 
Systems, 
800/437-2466, 
www.dragonsys
.com 
2. Горыныч. Программный комплекс 
"Горыныч" - первая русскоязычная 
Распознавание 
речи около 70%. 
Нет поддержки 
разработчика, 
VoiceLock 
Соразработчик

 
137 
система автоматического 
распознавания речи. Программа для 
диктовки и голосового управления 
компьютером по-русски. Скорость 
голосового набора текстов зависит от 
производительности Вашего 
компьютера и может достигать 500-
700 печатных знаков в минуту, что 
значительно превышает скорость 
"слепого" метода печатания. При 
этом система "Горыныч" 
осуществляет автоматический 
контроль правописания: в текстах, 
введенных с ее помощью, исключены 
орфографические ошибки, что 
практически недостижимо при 
использовании клавиатурного ввода. 
Во время работы Вы по-прежнему 
можете пользоваться клавиатурой и 
мышкой. Чем чаще Вы диктуете, тем 
больше система "привыкает" к 
Вашему голосу. 
для 
приемлемого 
качества 
распознавания 
речи 
необходимо 
длительное 
обучение 
(наговаривание 
речевой базы). 
: российская 
фирма White 
Computers, 
В настоящее 
время 
программа не 
поддерживаетс
я. Создатели 
программы 
занимаются 
другим 
проектом. 
3. Sakrament ASR Engine. Программа 
рассчитана на применение в 
различных аппаратных системах и 
программных приложениях, 
использующих технологии 
распознавания речи, таких как: IVR-
системы, мобильные электронные 
устройства, бытовая техника и т.д. 
Sakrament ASR Engine может быть 
легко перенесена на любую 
существующую программную или 
аппаратную платформу, а также 
настроена под конфигурацию любого 
приложения. 
Точность 
распознавания 
достигает 95-98 
процентов. 
Качество 
распознавания 
зависит от 
размера 
используемых 
словарей, 
качества 
транскрипции, 
показателя 
связанности 
распознаваемых 
слов, от уровня 
фонового шума, 
от параметров 
используемых 
каналов связи и 
характеристик 
микрофонов. 
http://www.sakr
ament.com 
 
4. КОМБАТ. Система "Комбат" 
является универсальным средством и 
помощником в обработке большого 
количества текстовой информации. 
Она облегчает работу с компьютером 
слабовидящим людям и инвалидам с 
травмами рук. Скорость вводимого 
текста составляет от 350 до 600 
знаков в минуту, в зависимости от 
производительности компьютера. 
Значительно возрастает скорость 
работы внутри приложения. Однако 
Распознавание 
Русской речи. 
посредственное 
качество 
распознавания 
при диктовке - 
30% (если 
говорить 
идеально, с 
расстановкой)... 
 
 

 
138 
при этом у вас остается возможность 
пользоваться как мышкой, так и 
клавиатурой. Систему "Комбат" 
можно назвать виртуальной 
клавиатурой. 
5. Philips. Несмотря на очень низкую 
цену, пакет FreeSpeech 98 
функционально полон. Он 
поддерживает и стандартное окно 
диктовки типа WordPad, и 
возможность диктовать в любой 
программе для Windows, где есть 
ввод текста, и управление 
перемещениями по меню и окнам на 
Рабочем столе. В отличие от других 
пакетов, FreeSpeech требует ручного 
переключения между диктовкой, 
управлением, диктовкой по буквам и 
режимом "сна". 
наличие 
бесплатной 
пробной версии, 
дешевизна. 
Поддержка 
разработчиком. 
Нет 
распознавания 
Русского языка. 
Philips, 
800/851-8885, 
www.freespeec
h98.com 
6. iVoice. Компания Autonomy 
выпустила на рынок свою разработку 
- систему распознавания голоса - 
iVoice. Концепция компании такова, 
что ПО поможет пользователю 
управлять своим компьютером с 
помощью голоса так же легко, как он 
это делает с помощью клавиатуры и 
мыши. Другими словами, голосовые 
данные ничем не должны отличаться 
от текстовых, или любых других, 
воспринимаемых компьютером. Сама 
iVoice была разработана на базе 
технологии распознавания голоса 
фирмы SoftSound, купленной 
Autonomy. ПО уже купили такие 
компании как германский банк 
Dresdner Kleinwort и General Motors. 
Хорошее 
качество 
распознавания. 
Поддержка 
разработчиком. 
Нет Русского 
языка. 
http://www.auto
nomy.com/ 
 
Вывод  по  таблице  1.  По  представленному  анализу  можно  сделать  вывод,  что  для 
русского языка существуют достаточно эффективные коммерческие программные продукты, 
такие как Горыныч, Комбат. 
Для казахского достигнуты следующие результаты 
- распознавание отдельных слов; 
- пофонемное дикторозависимое распознавание слов; 
- синтез слов. 
Автором  данной  работы  ведутся  работы  по  аппаратной  реализации  алгоритма 
распознавания отдельных слов. 
 
 
ӘОЖ  004: 37 
 
 

 
139 
ОҚУ ОРТАЛЫҒЫНЫҢ АВТОМАТТАНДЫРЫЛҒАН ЖҤЙЕСІН ЖОБАЛАУ 
 
Жарасхан Назира Жарасханқызы 
Магистрант, Л.Н. Гумилев атындағы Еуразия ҧлттық университеті, Астана 
Ғылыми жетекшісі – Мҧқашева Манаргҥл Ӛмірзаққызы, п.ғ.к., доцент 
 
Қоғамның  қазіргі  даму  кезеңіндегі  басты  мәселелердің  бірі  –  білім  беру  жҥйесіндегі 
оқыту  ҥрдісін  автоматтандыру.  Осыған  орай  оқыту  ҥрдісіне  бейімделген  әртҥрлі 
технологиялар жасалып, білім беру жҥйесінің  қҧрылымдарына кеңінен енгізіліп жатыр. 
Қазақстан  Республикасындағы  оқу  мен  тәрбие  жҥйесін  техникаландыру  мен 
автоматтандыру  тенденциясының  болашақ  қарқыны  мен  қадамдары  осы  бағыттағы 
зерттеулермен және компьютерлік жҥйені оқу-тәрбие ҥрдісіне енгізумен тығыз байланысты. 
Қазақстан Республикасының «Білім туралы» Заңында қазіргі замандағы білім беру жҥйесінің 
жаңа технологияларымен қамтамасыз етілу бағыттары белгіленген [1].  
Әртҥрлі  бағыт  бойынша  білім  беруді  ҧйымдастыру  мен  жҥзеге  асыру  ӛте  кҥрделі 
ҥрдіс  болып  табылады.  Осы  тҧрғыдан  алып  қарағанда  жекелеген  салалар  бойынша  білім 
беретін оқу орталықтарының жҧмысын жеңілдетудің бір жолы бҧл оқу орталығындағы оқу 
ҥрдісін ҧйымдастыруды автоматтандыру болып табылады. Оқу бағдарламасын қҧру мен оқу 
-  әдістемелік,  анықтамалық  материалдарды  даярлау  –  бҧл  оқу  орталығы  жҧмысының 
кӛрінбейтін жағы болса, кӛрінетін жҧмыс ретінде -  тыңдаушыларды оқыту, оқытушылардың 
жҧмысын  ҥйлестіру,  комиссия  мҥшелерінің  білім  беруді  тексеруі  және  тағы  басқа  сияқты 
ҧйымдастыру жҧмыстарың айтуға болады. 
Білім 
беру 
және 
білімді 
тексеру 
жҧмыстарымен 
тікелей 
байланысты 
ҧйымдастырушылық және әдістемелік жҧмыстардың бір бӛлігін автоматтандыруға болатыны 
белгілі. 
Оқу ҥрдісінің жҧмысын автоматтандырудың қазіргі қолданылып жҥрген ӛнімдері оқу 
ҥрдісінің  тек кейбір  бӛліктерін  автоматтандыруға  мҥмкіндік  береді,  мысалы:  студенттердің 
жеке  карточкаларын  сақтау,  дипломға  кӛшірмелерін  енгізу,  кадрлік  есеп,  сабақ  кестесін 
енгізу  және  т.б.,  бірақ  бҧл  жҧмыстар  бір-бірімен  ӛзара  тығыз  байланысты  сондықтан,  
ҥрдістерді  бір-  бірінен  ажыратуға  болмайды,  оларды  бір  -  бірінен  бӛлек  автоматтандыру 
қолайсыздықты туғызады [2]. 
Оқу орнының ішіндегі ҥрдістер кешенді тҥрде автоматтандырылуы қажет, ал олармен 
бірге жҥретін мәлімет бірегей ақпарат қорында сақталуы тиіс. 
Оқу орталығының оқу ҥрдісін автоматтандыруды бір-бірімен байланысты келесі ішкі 
жҥйелердің жиынтығы тҥрінде қарастыруға болады: 
-
 
«Оқу орталығы басшысының» автоматтандырылған жҧмыс орнын;  
-
 
«Оқу орталығы бухгалтерінің» автоматтандырылған жҧмыс орны; 
-
 
«Оқу орталығы тыңдаушыларының кураторының» автоматтандырылған жҧмыс орны; 
-
 
«Оқу орталығы оқу жҧмыстарының кураторының» автоматтандырылған жҧмыс орны; 
-
 
«Оқу орталығы оқытушыларының» автоматтандырылған жҧмыс орны; 
-
 
«Оқу орталығы тыңдаушыларының» автоматтандырылған жҧмыс орны (1-сурет). 
 
 
 
 
 
 
 
 
 
 
1-сурет. «Оқу орталығының» автоматтандырылған жҥйесінің жалпы диаграммасы 

жүктеу/скачать 8,59 Mb.

Достарыңызбен бөлісу: