Reconhecimento de fala utilizando modelos de Markov escondidos (HMM's) de densidades contínuas.

• Ano de defesa: 1994
• Autor(a) principal: COSTA, Washington César de Almeida.
• Orientador(a): AGUIAR NETO, Benedito Guimarães. , BRASILEIRO, Marcos Antônio Gonçalves.
• Banca de defesa: PEQUENO, Mauro Cavalcante. , ALENCAR, Marcelo Sampaio de.
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Campina Grande
• Programa de Pós-Graduação: PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
• Departamento: Centro de Engenharia Elétrica e Informática - CEEI
• País: Brasil
• Palavras-chave em Português: Processamento Digital de Voz; Reconhecimento de Voz; Fala - Reconhecimento; Densidades Contínuas; Fala Contínua - Reconhecimento; Modelos de Markov Escondidos - HMM'S; Sistema de Reconhecimento de Fala; Modelagem da Voz; Modelagem Computacional; HMM's - Cinco Estados e FDP's Contínuas; Coeficientes Cepstrais; Logaritmo da Energia Segmental; Algoritmo de Baum-Welch; Algoritmo de Viterbi; Reconhecimento Independente do Locutor; Reconhecimento Dependente do Locutor; Voice Modeling; Processamento de Sinais de Voz; Voice Recognition; Speech Recognition System; Processing of Voice Signals
• Área do conhecimento CNPq: Ciência da Computação.
• Link de acesso: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/2500

Nesta dissertação é realizado um estudo teórico e a implementação em software de um sistema de reconhecimento de fala baseado em Modelos de Markov Escondidos (Hidden Markov Models - HMM's). HMM é uma ferramenta matemática que possibilita um modelamento dos sons da fala em termos de uma estrutura probabilística. Para tanto, utiliza-se, neste trabalho, HMM's do tipo left-right de cinco estados e fdp's contínuas, para representar a probabilidade dos vetores de observações em cada estado da cadeia de Markov. Os vetores de observações, de dimensão nove, são formados por oito coeficientes cepstrais e o logaritmo da energia segmentai como o nono parâmetro. O sistema H MM é composto de duas etapas: treinamento e classificação. Na fase de treinamento, o algoritmo de Baum-Welch é utilizado para reestimar os valores finais dos modelos. Por outro lado, na fase de classificação, utiliza-se o algoritmo de Viterbi para fornecer o valor da máxima verossimilhança entre a sentença de teste e os HMM's de referência. A avaliação do sistema proposto é realizada considerando-se dois diferentes modos de reconhecimento: o reconhecimento independente do locutor e o reconhecimento dependente do locutor. Em ambos os casos, especialmente para o modo de reconhecimento dependente do locutor, as avaliações realizadas levam a resultados bastante satisfatórios, considerando-se as condições gerais de experimentação. Além disso, várias conclusões importantes são obtidas para uma posterior otimização do sistema proposto. Finalmente, espera-se que este trabalho contribua de forma positiva para a motivação de novos estudos no campo da comunicação vocal homem-máquina.