Целью данного исследования стал анализ того, является ли целесообразным использование фонетически представительного текста (ФПТ), то есть ограниченного по объему материала, для обучения акустических моделей в системах автоматического распознавания спонтанной речи. ФПТ — это специально сконструированный текст длиной около 1 стр., в котором присутствуют все частотные слоги русского языка; частотность звуков в нем несколько отличается от таковой в естественном материале сравнимого объема.
Известно, что по достижении объемом обучающего материала некоторого предельного значения (около 5 мин.) дальнейшее его увеличение только незначительно улучшает результаты распознавания, что делает перспективным исследование особенностей обучения акустических моделей на ограниченном материале.
Материал исследования — около десяти записей ФПТ «Был тихий серый вечер» от дикторов обоего пола, использовавшиеся для обучения системы, а также записи спонтанных диалогов пяти человек, на которых проверялась работа системы. Все записи были взяты из корпуса спонтанной речи CORUSS.
В ходе эксперимента были обучены монофонные акустические модели на материале разного количества записей ФПТ. При помощи пакета SRILM были созданы языковые модели на основе текстовых записей спонтанной речи; это было сделано с целью минимизировать влияние языковой модели на результаты распознавания, что, в свою очередь, позволило детальнее изучить влияние акустической модели.
Словарь каждой языковой модели составил около 150 000 слов, использовалась фонемная транскрипция с выделением ударения. Для создания акустических моделей и распознавания речи был использован инструментарий Kaldi. Затем было проведено распознавание фрагментов спонтанной речи, при этом в зависимости от конфигурации речь диктора, чей материал распознавался, могла как входить, так и не входить в обучающую выборку.
Качество распознавания было оценено при помощи параметров WER (то есть доли неправильно распознанных слов) и PER (процента неправильно распознанных звуков), а также анализа матриц ошибок. Результаты показывают, что использование ФПТ не дает преимущества при распознавании речи: в эксперименте с четырьмя записями ФПТ показатель WER составил 57.94 %, при этом в аналогичных экспериментах с использованием корпусов чтения WER составил 55.18 %.
Перспективным направлением развития представляется создание нового произносительного словаря, лучше отражающего особенности спонтанной речи, и использование расширенного набора аллофонов. Так, добавление в список звуков, которыми оперирует система, аллофона фонемы /a/ второй степени редукции ([ъ]) позволило улучшить WER до 56.40 %. Для уточнения оптимального набора аллофонов и составления модифицированных транскрипций потребуется детальный анализ ошибок, совершенных системой при распознавании.