Corrección de errores del reconocedor de voz de Google usando métricas de distancia fonética

Abstract

Resumen Los errores en los sistemas de reconocimiento de voz para el idioma español, como por ejemplo el de Google, ocurren con bastante frecuencia cuando se utilizan en aplicaciones de un dominio específico. Estos errores se presentan mayormente cuando se intenta reconocer palabras que son nuevas para el modelo de lenguaje del reconocedor y que son ad hoc al dominio. En este artículo se presenta un algoritmo que usa la distancia de Levenshtein sobre fonemas para reducir el error del reconocedor de voz. Los resultados preliminares muestran que es posible corregir los errores del reconocedor de manera importante mediante el empleo de esta métrica y el uso de un diccionario de frases específicas del dominio de la aplicación. El algoritmo que aquí se propone, a pesar de estar diseñado para dominios muy específicos, es de aplicación general. Es decir, las frases que deben ser reconocidas pueden ser definidas específicamente para cada aplicación, sin que el algoritmo deba modificarse. Basta con indicarle al algoritmo el conjunto de frases sobre las cuales debe trabajar. La complejidad del algoritmo es O(tn), donde t es el número de palabras contenidas en la transcripción que se requiere corregir y n es el número de frases específicas del dominio.Palabras clave: reconocedor de voz, Levenshtein, corrector fonético.Abstract. The errors in speech recognition systems for Spanish language such as Google occur quite frequently when used in applications of a specific domain. These errors occur mostly when trying to recognize words that are new to the recognizer's language model and that are ad hoc to the domain. In this article we present an algorithm that uses Levenshtein distance on phonemes to reduce the error of the speech recognizer. The preliminary results show that it is possible to correct the errors of the recognizer in an important way by using this metric and the use of a 57 dictionary of specific phrases from the domain of the application. The algorithm proposed here, despite being designed for very specific domains, is of general application. That is, the phrases that must be recognized can be defined specifically for each application, without the algorithm having to be modified. It is enough to indicate to the algorithm the set of sentences on which it must work. The complexity of the algorithm is O(tn), where t is the number of words contained in the transcript to be corrected and n is the number of phrases specific of the domain.

Hybrid phonetic-neural model for correction in speech recognition systems

“…In [1] phonetic correction strategies are used to correct errors generated by an ASR system. The cited work converts the ASR transcription to a representation in the International Phonetic Alphabet (IPA) format.…”