Implementace rozpoznávače na bázi GMM-HMM v programovém systému MATLAB

Abstract

Hlavním cílem této práce bylo vytvořit demonstrační implementaci rozpoznávače izolovaných slov na bázi GMM-HMM v programovém prostředí MATLAB. Praktické využití takové realizace tkví zejména v možnosti představení materiálu pro výukové účely, důraz je tak kladen zvláště na popis principu a postupů tvorby rozpoznávacího systému se skrytými Markovovými modely. Vytvořený rozpoznávač pokrývá český a anglický jazyk, k trénování modelů pro tyto jazyky byly využity databáze TIMIT a SPEECON. Systém je však sestaven univerzálně a je možné na vstupu využít jiných dostatečně bohatých řečových korpusů s fonetickým přepisem na úrovni hlásek. Implementace umožňuje vytváření akustických modelů monofónů a slov z dostupné databáze, představuje proces dekódování a prezentuje uživateli výsledky i mezivýsledky rozpoznávacího procesu. Vytvořená implementace byla testována na signálech z již uvedených řečových databází, ale také na řečových signálech nahraných v rámci této práce.

The main goal of this work was to create a demonstration implementation of an isolated word recognizer based on GMM-HMM in the MATLAB programming environment. The practical use of such realization lies mainly in the possibility of presenting the material for educational purposes. The emphasis is placed on the description of the principle and procedures of creating a recognition system with Hidden Markov Models. The created recognizer covers the Czech and English languages; the TIMIT and SPEECON databases were used to train the respective models. However, the system is compiled universally, and it is possible to use other sufficiently rich speech corpora with phonetic transcription at the level of phones as the input. The implementation enables the creation of acoustic models of monophones and words based on available speech corpora, presents the decoding process and shows the final and intermediate results of the recognition process. The created implementation was tested on signals from the already mentioned speech databases, but also on speech signals recorded as a part of this thesis.