این مقاله انگلیسی ISI در نشریه آی تریپل ای در 12 صفحه در سال 2019 منتشر شده و ترجمه آن 33 صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

نوشته دانلود ترجمه مقاله آزمایش خودکار قابلیت تشخیص پایه برای سیستم تشخیص گفتار (آی تریپل ای 2019) (ترجمه ویژه – طلایی ⭐️⭐️⭐️) اولین بار در ترجمه فا پدیدار شد.

این مقاله انگلیسی ISI در نشریه ساینس دایرکت (الزویر) در 12 صفحه در سال 2016 منتشر شده و ترجمه آن 24 صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

مشخصات مقاله انگلیسی (PDF)
سال انتشار	2016
تعداد صفحات مقاله انگلیسی	12 صفحه با فرمت pdf
نوع مقاله	ISI
نوع نگارش	مقاله پژوهشی (Research Article)
نوع ارائه مقاله	ژورنال
رشته های مرتبط با این مقاله	مهندسی کامپیوتر
گرایش های مرتبط با این مقاله	هوش مصنوعی و مهندسی الگوریتم ها و محاسبات
چاپ شده در مجله (ژورنال)	کامپیوتر و مهندسی برق – Computers and Electrical Engineering
کلمات کلیدی	تشخیص گفتار خودکار، تبدیل موجک دو بعدی، ضریب های کپسترال فرکانسی مل، فاز بازسازی شده، طرح تکرار
کلمات کلیدی انگلیسی	Automatic speech recognition – Mel-frequency cepstral coefficients – Reconstructed phase space – Recurrence plot – Two-dimensional wavelet transform
ارائه شده از دانشگاه	گروه مهندسی پزشکی، دانشگاه صنعتی امیرکبیر، تهران، ایران
نمایه (index)	Scopus – Master journals – JCR
نویسندگان	Shabnam Gholamdokht Firooz، Farshad Almasganj، Yasser Shekofteh
شناسه شاپا یا ISSN	ISSN 0045-7906
شناسه دیجیتال – doi	https://doi.org/10.1016/j.compeleceng.2016.07.006
ایمپکت فاکتور(IF) مجله	2.762 در سال 2018
شاخص H_index مجله	49 در سال 2019
شاخص SJR مجله	0.443 در سال 2018
شاخص Q یا Quartile (چارک)	Q2 در سال 2018
بیس	نیست ☓
مدل مفهومی	ندارد ☓
پرسشنامه	ندارد ☓
متغیر	ندارد ☓
رفرنس	دارای رفرنس در داخل متن و انتهای مقاله ✓
کد محصول	9757
لینک مقاله در سایت مرجع	لینک این مقاله در نشریه Elsevier
نشریه الزویر

نوشته دانلود ترجمه مقاله ارتقای سیستم تشخیص گفتار از طرح بازگشتی سیگنال گفتار (ساینس دایرکت – الزویر ۲۰۱۶) (ترجمه ویژه – طلایی ⭐️⭐️⭐️) اولین بار در ترجمه فا پدیدار شد.

مشخصات مقاله انگلیسی (PDF)
سال انتشار	2010
تعداد صفحات مقاله انگلیسی	4 صفحه با فرمت pdf
رشته های مرتبط با این مقاله	مهندسی کامپیوتر
گرایش های مرتبط با این مقاله	هوش مصنوعی
مجله	کنفرانس بین المللی آکوستیک پردازش گفتار و سیگنال  International Conference on Acoustics Speech and Signal Processing
دانشگاه	موسسه تحقیقات Idiap، مارتیگنی، سوئیس
کلمات کلیدی	تشخیص عبارت گفتاری (STD)، بازشناسی گفتار پیوسته با واژگان بزرگ (LVCSR)، درجه اطمینان (CM)، تشخیص خارج از زبان (OOL).
شناسه شاپا یا ISSN	ISSN 2379-190X
رفرنس	دارد
لینک مقاله در سایت مرجع	لینک این مقاله در سایت IEEE
نشریه آی تریپل ای

• فهرست مطالب:

چکیده

1.مقدمه

2- STD مبتنی بر شبکه‌های گفتاری که توسط LVCSR ایجاد شده‌اند

1-2- سیستم LVCSR

2-2 – ارزیابی سیستم STD به‌تنهایی

3- واحد تشخیص OOL

1-3- ارزیابی واحد تشخیص OOL به‌تنهایی

4- ترکیب سیستم‌های تشخیص OOL و STD

5- بحث و نتیجه‌گیری

• بخشی از ترجمه:

5- بحث و نتیجه‌گیری
این مقاله یک ترکیبی از یک سیستم STD با یک واحد تشخیص OOL را برای بهبود دقت‌های تشخیص عبارات گفتاری انگلیسی پیشنهاد می‌کند. اول، نسخه ی اخیر سیستم STD تنها، بر اساس داده‌های ارزیابی NIST 2006، با سیستم پایه، مقایسه می‌شود. حدود 20% افزایش نسبی در EER به دست می‌آید. سپس، 2 رویکرد برای ترکیب سیستم‌های STD و OOL، بر اساس فایل‌های ضبط‌شده‌ی دارای دقت بالقوه ی بخش‌های گفتاری به‌دست‌آمده از زبان‌های مختلف، ارزیابی می‌شوند. اگرچه، کارایی سیستم STD در چنین سناریوهایی، زمانی که حاشیه‌نویسی‌های دستی OOL فراهم می‌شود، نتیجه‌بخش نمی‌باشد (6% افزایش مطلق در EER نسبت به STD تنها)، کارایی نهایی STD-OOL بیشتر از 2% (تقریباً 7%) که از روش 1# به دست می‌آید، بهبود پیدا می‌کند.

• بخشی از مقاله انگلیسی:

5. DISCUSSIONS AND CONCLUSIONS

This paper proposes a combination of an STD system with an OOL detection module to improve detection accuracies of English spoken terms. First, the current version of the stand-alone STD system is compared to the baseline system on NIST 2006 evaluation data. About 20% relative improvement in EER is achieved. Then, two approaches to combine STD and OOL systems are evaluated on recordings with potential occurrence of speech segments from different languages. Although, performance of the STD system in such the scenario does not reach results when the manual OOL annotation is provided (6% absolute improvement in EER over the stand-alone STD), the ¿nal STD – OOL performance improves by more than 2% absolute ( 7% relative) achieved by approach #1.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله با فرمت ورد

نوشته دانلود مقاله ترجمه شده کاربرد شناسایی خارج از زبان برای تشخیص عبارت گفتاری – 2010 IEEE اولین بار در ترجمه فا پدیدار شد.

این مقاله انگلیسی ISI در نشریه الزویر در 9 صفحه در سال 2014 منتشر شده و ترجمه آن 24 صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

• فهرست مطالب:

چکیده

1- مقدمه

2- نگاهی به گذشته

3- روش‌ ها

الف – مواد و شرکت‌ کنندگان

ب- مدل ASR مبتنی بر شبکه‌های عصبی مصنوعی برای کاربران مبتلا به اختلال‌ تکلم

ج- معیارهای ارزیابی

4- آزمایش‌ها و نتایج

5- آزمایش1: شناسایی بهترین مجموعه از پارامترهای MFCC

6- آزمایش2: ASR مبتنی بر شبکه عصبی مستقل ازگوینده

7- بحث

8- نتیجه گیری

• بخشی از ترجمه:

نتیجه گیری 

   در این مقاله ما کاربرد شبکه‌های عصبی مصنوعی را در یک مدل ASR مستقل از گوینده، مطالعه کردیم. علاوه بر این، چند بازشناسنده گفتار متکی به گوینده مبتنی بر شبکه عصبی را برای کاربران مبتلا به اختلال ‌تکلم، ارائه دادیم و به طور مفصل نتایج را مقایسه کردیم. هدف، تعیین بهترین مجموعه از ویژگی‌های اصلی MFCC است که بتوانند ویژگی‌های آوایی را نمایش دهند؛ که این نمایش می‌تواند به وسیلۀ یک سیستم ASR مبتنی بر شبکه عصبی طراحی شده برای اشخاص مبتلا به اختلال‌ تکلم، استفاده شود. نرخ بازشناسی کلمه و دقت ارزیابی مدل‌های ASR پیشنهادی، مورد بررسی قرار گرفتند. نمونه‌های گفتاری اشخاص گنگ برای هر یک از سطوح مختلف اختلال ‌تکلم، به وسیلۀ سیستم‌های ASR مستقل از گوینده پیشنهادی، به طور جداگانه ارزیابی شدند. داده‌های گفتاری افراد مورد ارزیابی، برای آموزش بازشناسنده‌های گفتار مستقل از گوینده، به حساب نیامدند. این محروم سازی داده‌های گفتاری افراد مورد ارزیابی، تعمیم‌پذیری مدل‌های پیشنهادی را تصویب می‌کند.

   نتایج نشان می‌دهد که 12 ضریب اصلی کپسترم، می‌تواند به عنوان بهترین مجموعه از ویژگی‌های آوایی MFCC به منظور آموزش یک سیستم ASR مبتنی بر شبکه عصبی، انتخاب شود. WRR مدل ASR مستقل از گوینده آموزش دیده با 12 ضریب اصلی کپسترم، به میانگین 38/68 درصدی رسید. این مدل هم-چنین برای گفتار گویندگان سالم پیش‌بینی نشده، WRR 07/98 درصدی، ارائه داد. بیش ترین WRR برای مدل‌های ASR متکی به گوینده، 95 درصد بود.                  

• بخشی از مقاله انگلیسی:

6. Conclusions

In this paper we studied the application of ANNs in an SI ASR model for individuals with dysarthria. In addition, several SD ANN-based speech recognisers for users with dysarthria were provided, and the results were compared in detail. The purpose is to investigate and to ascertain the best MFCC-based feature set that can represent dysarthric acoustic features; the representation is then used by an ANN-based SI ASR system designed for individuals with dysarthria. The performance of the proposed ASR models was measured in terms of word recognition rate and accuracy of evaluation. Speech samples of the subjects with speech disabilities were evaluated by the proposed SI ASR systems for each dysarthric severity level separately. The speech data of the evaluation subjects were not included for the training of the SI speech recognisers. This exclusion of speech data of the evaluation subjects allows the generalisability of the proposed models to be evaluated.

The results show that mel cepstrum with 12 coefficients can be selected as the best set of MFCC acoustic features in order to train an ANN-based ASR system for speakers with dysarthria. The WRR of the dysarthric SI ASR model, trained with mel cepstrum including 12 coefficients achieved an average of 68.38%. It also produced 98.07% WRR for the speech of unanticipated speakers without speech disabilities. The highest WRR of speaker-dependent ASR models was 95%.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله با فرمت ورد

نوشته دانلود ترجمه مقاله تشخیص گفتار دیاستولیک با شبکه های عصبی مصنوعی – مجله الزویر اولین بار در ترجمه فا پدیدار شد.

• فهرست مطالب:

چکیده
1 مقدمه
2 تبدیل بسته موجک ادراکی
3 روش ارائه شده
3.1 دسته‌بندی نویز
3.1.1 استخراج ویژگی
3.1.2 نتایج دسته‌بندی نویز
2.3. تشخیص گفتار هدایت شده با روش دسته‌بندی نویز
1.2.3 استخراج ویژگی
2.2.3. ایجاد مدل SVM بر اساس نوع نویز
4. نتایج تجربی
5 نتیجه‌گیری

• بخشی از ترجمه:

5 نتیجه‌گیری
در این مقاله، ما سعی کردیم بر اساس دسته‌بندی نویز به عنوان اولین مرحله از الگوریتم، مدلی ساده برای تشخیص گفتار ارائه دهیم. همچنین برای دسته‌بندی نویز و گفتار/غیرگفتار، یک بردار ویژگی مقاوم بر اساس PWPT ارائه دادیم.
نتایج آزمایشگاهی برای دسته‌بندی نویز بسیار امیدوارکننده است. ما برای دسته‌بندی پنج نوع نویز بدست آمده از NOISEX-92 به دقت دسته‌بندی 4/98% دست یافتیم. نتایج آزمایشگاهی بدست آمده برای تشخیص گفتار نشان می‌دهند که عملکرد الگوریتم ارائه شده نسبت به روش‌های سان، OSF و تشخیص گفتار LTSD بهتر است، به خصوص در نسبت سیگنال به نویز پایین. الگوریتم ارائه شده در پنج محیط نویزی به 14/86% Pcs و 44/86% Pcn دست یافته و به چهار سطح سیگنال به نویز (0، 5، 10 و 15 دسی‌بل) به طور متوسط دست می‌یابد.
یک موضوع که ما علاقمند به پیگیری آن در آینده هستیم این است که اطلاعات فاز گفتار را در فرایند تشخیص گفتار در نظر بگیریم. همچنین در نظر داریم تا به کمک الگوریتم‌های دسته‌بندی دیگر عملکرد تشخیص گفتار را بهبود دهیم. با در نظر گرفتن انواع نویزها در تشخیص گفتار می‌توان عملکرد آن را در کاربردهای دنیای واقعی بهبود داد. کارهای آتی باید در رابطه با این مسائل انجام گیرد.

• بخشی از مقاله انگلیسی:

5 Conclusions

In this paper, we have tried to provide a simple model for VAD based on a noise classification as the first step of the algorithm. We have also proposed a new robust feature vector based on the PWPT for both noise and speech/non-speech classification. The experimental results for noise classification have been very promising. We have reached 98.4% classification accuracy to classify five noise types extracted from NOISEX-92. Experimental results for VAD show that the performance of the proposed algorithm is superior to the Sohn’s, OSF, and LTSD VADs, especially in low SNRs. The proposed algorithm has also reached to 86.14% Pcs and 86.44% Pcn in five noise environments and four SNR levels (0, 5, 10, and 15 dB) on average. One aspect that we would like to explore in the future is to consider speech phase information in the feature extraction process. We are also considering improving the VAD performance by using other classification algorithms. Taking into account more noise types in the proposed VAD can improve the performance in real-world applications. Future work should be done on these promising issues.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله

نوشته دانلود ترجمه مقاله تعیین مقاوم آوا به متد طبقه بندی صوتی – نشریه اسپرینگر اولین بار در ترجمه فا پدیدار شد.

• فهرست مطالب:

چکیده
1. مقدمه
2. گفتار صدادار
3. گفتار غیر صدادار (گفتار ادا شده بدون ارتعاش تارهای صوتی)
4. طبقه‌بندی صدادار/غیر صدادار/سکوت گفتار
تحلیل حوزه فرکانس
5. نتیجه‌گیری و هدف (طرح) آینده

• بخشی از ترجمه:

5. نتیجه‌گیری و هدف (طرح) آینده
بازشناسی گفتار برای سال‌های بسیاری در دست تحقیق و پژوهش بوده است. پس از سال‌ها تحقیق و توسعه، دقت بازشناسی گفتار به‌صورت خودکار هنوز هم یکی از چالش‌های مهم باقی‌مانده است. طراحی سیستم‌های بازشناسی نیازمند توجه دقیق به مسائلی همچون نمایش، پیش‌پردازش، استخراج ویژگی و غیره گفتار است. طبقه‌بندی گفتار به‌عنوان صدادار، غیر صدادار و سکوت یکی از اساسی‌ترین و دشوارترین مسائلی است که در پردازش گفتار می‌توان با آن مواجه شد و درصورتی‌که به‌دقت شناسایی شده باشد، می‌تواند کارایی و دقت سیستم بازشناسی را تا حد زیادی افزایش دهد.

• بخشی از مقاله انگلیسی:

V. CONCLUSION AND FUTURE SCOPE

Speech Recognition is in research for many years. After years of research and development the accuracy of Automatic Speech Recognition still remains one of the important challenges. The design of Recognition systems requires careful attention to the issues like speech representation, preprocessing, feature extraction etc. The classification of speech as voiced, unvoiced and silence is one of the most fundamental and difficult problem encountered in speech processing and if it is detected accurately it can increase the efficiency and accuracy of the recognition system to a great extent.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله

نوشته دانلود ترجمه مقاله تشخیص اساسی حوزه صدادار غیر صدادار و سکوت گفتار اولین بار در ترجمه فا پدیدار شد.

• بخشی از ترجمه:

چکیده
در محیط واقعی، مشخصه های زبانی و اکوستیک (صوت شناسی) اغلب بر مبنای گویندگان، سبک گفتار و تغییرات موضوع متفاوت می باشد. به منظور سازش با این تغییرات، رویکردهای تشخیص گفتار که شامل ردیابی پله ای تغییرات محیطی می باشد، توجهات را به سمت خود معطوف کرده است. این مقاله مدل زبانی پیگیری تاپیک را مطرح می کند که بطور سازگارانه، تغییرات را در تاپیک بر مبنای اطلاعات متنی موجود و مدل های تاپیک برآورد شده قبلی به صورت آنلاین دنبال می کند. مدل مطرح شده برای انطباق با مدل زبانی به منظور تشخیص گفتار، کاربرد دارد. ما از مجموعه تحققیات آزاد MIT و مجموعه ای از تحقیقات انجام شده توسط ژاپنی ها در بررسی های مرتبط به تشخیص گفتار استفاده می کنیم و کارایی مدل طرح شده را نشان می دهیم.
مدل زبانی؛ مدل تاپیک نهفته؛ پیگردی تاپیک؛ الگوریتم آنلاین؛ تشخیص گفتار
١. مقدمه
تشخیص گفتار به عنوان تکنیک امید بخشی در نوشت برداری اتوماتیک از اخبارهای پخش شده، آرشیوهای چندرسانه ای بر روی وب، جلسات، و ضبط سخنرانی ها برای بازیابی اطلاعات می باشد. در این سناریوها، گفتار شامل تغییرات زمانی ایجاد شده توسط تغییر گویندگان، سبک های گفتار، پارازیت های محیطی، و تاپیک می باشد. بنابراین مدل های تشخیص گفتار تغییرات زمانی را در محیط های زبانی و صوت شناختی دنبال می کند. این مقاله تمرکزش را بر روی دنبال کردن تغییرات زمانی در محیط های زبانی همان طور که در شکل ١ نشان داده شده است، قرار می دهد. شکل ١ دنبال کردن تغییرات زمانی را با استفاده از مدل زبانی دینامیک کلام نشان می دهد.
بررسی مدل های زبان دینامیک فراتر از N-gram، تغییراتی را در محیط زبانی ایجاد می کند، که به عنوان تاپیک اصلی در تحقیقات مدل زبانی می باشد. مدل های زبان دینامیک اساسا به دو دسته طبقه بندی می شوند، یعنی مواردی که به تخمین احتمالات کلمه ( N-gram) به طور مستقیم و غیرمستقیم می پردازند. این مدل از احتمالات مربوط به N-gram، با استفاده از متن نهفته ( برای مثال، هزاران کلمه در پیشینه متنی)، علاوه بر احتمالات استاندارد N-gram می پردازد. احتمالات مربوط به N-gram جدید از طریق وارد کردن خطی دو احتمال بدست می آید. تکنیک بکارگرفته شده دیگر در رویکردهای تخمین مستقیم بر مبنای معیار قیاس حداکثر (MAP) می باشد. به این ترتیب، احتمالات مربوط به N-gram از طریق شمارش N-gram بدست می آید، که به صورت خطی در بین دو N-gram قرار می گیرند، که بر خلاف احتمالات مربوط به درون یابی رویکرد نهانگاه می باشد.

• بخشی از مقاله انگلیسی:

Abstract

In a real environment, acoustic and language features often vary depending on the speakers, speaking styles and topic changes. To accommodate these changes, speech recognition approaches that include the incremental tracking of changing environments have attracted attention. This paper proposes a topic tracking language model that can adaptively track changes in topics based on current text information and previously estimated topic models in an on-line manner. The proposed model is applied to language model adaptation in speech recognition. We use the MIT OpenCourseWare corpus and Corpus of Spontaneous Japanese in speech recognition experiments, and show the effectiveness of the proposed method.

Introduction

Speech recognition is a promising technique for automatically transcribing broadcast news, multimedia archives on the web, meetings, and lecture recordings for information retrieval (e.g., Makhoul et al. (2000) for broadcast news and Glass et al. (2007); Hori et al. (2009) for lectures). In these scenarios, speech includes temporal variations caused by changes of speakers, speaking styles, environmental noises, and topics. Thus, speech recognition models have to track temporal changes in both acoustic and language environments. This paper focuses on tracking temporal changes in language environments, as shown in Fig. 1. Fig. 1 depicts temporal change tracking by using a dynamic language model of a lecture. The study of dynamic language models beyond N-gram deals with the temporal changes in language environments, which is a main theme of language model research (see Rosenfeld, 2000; Bellegarda, 2004 in detail). The dynamic language models are mainly classified into two types, i.e., those that estimate word (N-gram) probabilities directly and indirectly. The cache-based language model (Kuhn and De Mori, 1990) is representative of the direct estimation approaches. This model uses an N-gram probability obtained from a cache text (e.g., thousands of words in a text history), in addition to a normal (static) N-gram probability. The new N-gram probability is obtained by linearly interpolating the two probabilities. The other techniques employed in the direct estimation approaches are based on the maximum a posteriori (MAP) criterion.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله

نوشته دانلود ترجمه مقاله مدل زبانی ردیابی موضوع برای تشخیص گفتار – مجله الزویر اولین بار در ترجمه فا پدیدار شد.

• فهرست مطالب:

 چکیده
1 مقدمه
2 آنالیز اطلاعات فاز
1 2 فرمول
2 2 مثالها
3 روش ترکیبی و روش تصمیم
4 آزمایشات
1 4 پایگاه داده و آنالیز گفتار
2 4 نتایج تشخیص هویت گوینده
3 4 نتایج تصدیق هویت گوینده
5 نتیجه گیری

• بخشی از ترجمه:

5 نتیجه گیری

در این مقاله روش تشخیص هویت گوینده مستقل از متن با ترکیب MFCC و اطلاعات فاز جدیداً تعریف شده را پیشنهاد کردیم. آزمایشات تشخیص هویت گوینده روی پایگاه داده NTT انجام شد که از داده های جملات ادا شده در مد سرعت نرمال/ آهسته/ سریع توسط 35 گوینده ژاپنی تشکیل می شود. اطلاعات فاز جدید پیشنهاد شده sinϴ}،cosϴ } کارایی تشخیص هویت از اطلاعات فاز اصلی ϴ برای کلیه مدهای گفتاری را به طور قابل ملاحظه ای بهبود بخشید. با ترکیب MFCC و اطلاعات فاز، در مقایسه با MFCC ، برای مدهای گفتار نرمال، آهسته و سریع، نرخ کاهش خطای 2. 52، 6. 55 و 2. 59 درصدی بدست آوردیم. با ترکیب GMM مبتنی بر MFCC، HMM مبتنی بر MFCC، و GMM مبتنی بر فاز، نرخ های درست 4. 99 درصد، 9. 98 درصد، و 9. 98 درصد برای مدهای گفتاری نرمال، سریع و آهسته بدست آوردیم. نتایج بدست آمده بهترین عملکرد را در مقایسه با نتایج سایر محققین و پژوهشگران برای این پایگاه داده نشان می دهد.
جهت تشریح پایداری و توانمندی اطلاعات فاز برای تشخیص هویت گوینده، از اطلاعات فاز جدید sinϴ}،cosϴ } در تصدیق هویت گوینده نیز استفاده گردید. آزمایشات ترکیبی، نرخ خطای برابر 0.18 درصد برای مدهای گفتاری نرمال، 0.37 درصد برای سریع و 0.71 درصد برای آهسته نشان دادند. نتایج بدست آمده، نرخ کاهش خطای درحدود 50 درصد درمقایسه با [19] را نشان می دهند.

• بخشی از مقاله انگلیسی:

5. CONCLUSION

We proposed a text-independent speaker recognition method by combining MFCC and newly defined phase information. The speaker identification experiments were conducted on NTT database which consists of sentences data uttered at normal/slow/fast speed mode by 35 Japanese speakers. The proposed new phase information {cos,sin} remarkably improved the identification performance from the original phase information for all speaking modes. Combining the MFCC and phase information, we obtained the error reduction rate of 52.2%, 55.6% and 59.2% than MFCC for normal, slow and fast speaking modes, respectively. Combining the MFCCbased GMM, MFCC-based HMM and phase-based GMM, we obtained the correct rates of 99.4%, 98.9%, 98.9% for normal, fast and slow speaking modes, respectivey. These results show the best performance in comparison with the other rescarcher’s results for the same database [1, 6, 15, 16, 17].

To demenstrate the robustness of phase information for speaker recognition, the new phase information {cos,sin} was also used in speaker verification. The experiments of the combination showed the equal error rate of 0.18% for normal, 0.37% for fast and 0.71% for slow speaking modes, respectively. These results are the error reduction rate of about 50% in comparison with [19].

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله

نوشته دانلود مقاله ترجمه شده کاربرد ترکیبی از اطلاعات فاز و MFCC جهت شناسایی و تائید هویت گوینده – مجله IEEE اولین بار در ترجمه فا پدیدار شد.

بخشی از ترجمه:

بخشی از مقاله انگلیسی:

Abstract—The goal of Spoken Term Detection (STD) technology is to allow open vocabulary search over large collections of speech content. In this paper, we address cases where search term(s) of interest (queries) are acoustic examples. This is provided either by identifying a region of interest in a speech stream or by speaking the query term. Queries often relate to named-entities and foreign words, which typically have poor coverage in the vocabulary of Large Vocabulary Continuous Speech Recognition (LVCSR) systems. Throughout this paper, we focus on query-by-example search for such out-of-vocabulary (OOV) query terms. We build upon a finite state transducer (FST) based search and indexing system [1] to address the query by example search for OOV terms by representing both the query and the index as phonetic lattices from the output of an LVCSR system. We provide results comparing different representations and generation mechanisms for both queries and indexes built with word and combined word and subword units [2]. We also present a two-pass method which uses query-by-example search using the best hit identified in an initial pass to augment the STD search results.

 The results demonstrate that query by-example search can yield a significantly better performance, measured using Actual Term-Weighted Value (ATWV), of 0.479 when compared to a baseline ATWV of 0.325 that uses reference pronunciations for OOVs. Further improvements can be obtained with the proposed two pass approach and filtering using the expected unigram counts from the LVCSR system’s lexicon.
I. INTRODUCTION
The fast-growing availability of recorded speech calls for efficient and scalable solutions to index and search this data. Spoken Term Detection (STD) is a key technology aimed at open-vocabulary search over large collections of spoken documents. A common approach to STD is to employ a large vocabulary continuous speech recognition (LVCSR) system to obtain word lattices and extend classical Information Retrieval techniques to word lattices. Such approaches have been shown to be very accurate for well-resourced tasks [3], [1].

نوشته دانلود ترجمه مقاله شناسایی عبارات گفتاری در عبارت خارج از واژگان OOV اولین بار در ترجمه فا پدیدار شد.

بخشی از ترجمه:

بخشی از مقاله انگلیسی:

Abstract:
This paper investigates the use of fractal geometry for segmenting digital signals. A method of texture segmentation is introduced which is based on the Fractal Dimension. Using this approach, variations in texture across a signal or image can be characterized in terms of variations in the fractal dimension. By analyzing the spatial fluctuations in fractal dimension obtained using a conventional moving window approach, a digital signal or image can be texture segmented; this is the principle of Fractal Dimension Segmentation (FDS).
In this paper, we apply this form of texture segmentation to isolated speech signals. An overview of methods for computing the fractal dimension is presented focusing on an approach that makes use of the characteristic Power Density Function (PSDF) of a Random Scaling Fractal Signal. FDS is applied to a number of different speech signals and the results discussed for isolated words and the components (e.g. fricatives) from which these words are composed. In particular, it is shown that by pre-filtering speech signals with a low-pass filter ofthe form lk. This provides confidence in the approach to speech segmentation considered in this paper and in principle, allows a template matching scheme to be designed that is based exclusively on FDS.

نوشته دانلود ترجمه مقاله شناسایی گفتار جدا شده با بخشبندی بعدهای فرکتال اولین بار در ترجمه فا پدیدار شد.