Analysis and Compensation of Sparse Packet Losses in Distributed Turkish Continuous Speech Recognition System

Abstract

Özetçe Bu çalışmada, dağıtık yapıda Türkçe sürekli konuşma tanıma sisteminin seyrek paket kayıplı durumlar için Kelime Hata Oranı(KHO) başarımı incelenmiş, analizi ve paket kayıp telafisi uygulamaları yapılmıştır. Dağıtık yapı modelinde ses öznitelik vektörleri ve logaritmik çerçeve enerjisi güvenli olmayan UDP (User Datagram Protocol) ile iletilir. Ses öznitelik vektörlerinin iletimi için özel amaçlı UDP başlığı tanımlanmıştır. Paket kayıpları uygulaması için yapay olarak farklı yapılarda seyrek paket kayıpları üretilmiştir. Paket kayıplarının telafisi için tanıma işleminden önce Lagrange ve Spline aradeğerleme yöntemleri uygulanarak kayıpların etkisinin azaltılması amaçlanmıştır. Tanıma sonuçları, paket kayıplarının telafisiz ve telafili durumları için karşılaştırılmıştır. Deneysel çalışmada, ses öznitelik vektörleri HTK kullanılarak elde edilmiştir. Türkçe sürekli konuşma tanıma için istatistiksel dil modelleri SRI dil modelleme aracı ile çıkartılmıştır. Akustik modeller ve kod çözümü AT&T yazılımları ile gerçekleştirilmiştir. Kayıpsız durumda %32.1 olan Kelime Hata Oranı, tanımlanan kayıplı durumlarda %34.2'e kadar çıkmıştır. Aradeğerleme sonucunda tanıma oranlarında %32.4'e kadar iyileşmeler sağlanmıştır. AbstractIn this study, we investigated word error rate performance of Turkish continuous speech recognition system with sparse packet losses in a distributed architecture. In this distributed architecture, speech feature vectors consisting of MFCCs and logarithmic power are transmitted with UDP protocol. A special UDP header is defined to be in the distributed system. Sparse packet losses are artificially generated by considering different scenarios. Two packet loss concealment methods, Lagrange and Spline interpolation, are used as a front-end process in the recognition system. In the experimental study, speech feature vectors are obtained by using HTK. The SRI Language Modelling toolkit is used to generate statistical language models. Acoustic modeling and recognition are performed using AT&T software. The Word Error Rate (WER) of the baseline system is 32.1%. This error rate is increased up to 34.2% with the sparse packet losses. In our study, we have seen that the packet concealment methods reduce the WER of the speech recognition system to 32.4%. GirişInternet alt yapısının genişlemesi ve IP üzerinden ses iletimi teknolojilerinin yaygınlaşması telefon haberleşmesini PSTN yerine IP üzerinden yapılır hale gelmiştir. Bu uygulamalar için web tabanlı çağrı merkezleri ve IP telefonlar en iyi örneklerdir[1]. IP üzerinden ses iletiminin yaygınlaşması doğal olarak konuşma tanıma uygulamalarının IP tabanlı sistemler üzerinde yapılmasına olanak sağlamakta ve gelişmesine katkıda bulunmaktadır.Paket anahtarlamalı sistemlerde, devre anahtarlamalı sistemlerin ses kalitesini yakalamak ve ortak olarak kullanılan haberleşme hattında daha az band genişliği kullanmak için ses verileri kodlanarak gönderilir[2][3].Paket anahtarlamalı sistemlerde ses verisi, uygulama verisi olarak TCP ya da UDP protokollerinin üzerlerinde il...