بازشناسي مقاوم گفتار فارسي با پس‌زمينۀ موسيقي با استفاده از شبكه‌هاي عصبي عميق

استفاده از شبكه‌هاي عصبي عميق به عنوان مدل آكوستيكي منجر به پيشرفت‌هاي چشمگيري در حوزۀ بازشناسي گفتار در سالهاي‌ اخير شده است. عملكرد سيستم‌هاي بازشناسي گفتار در شرايطي كه عدم تطابق بين داده‌هاي آموزش و آزمون وجود داشته باشد، كاهش مي‌يابد و به‌عنوان يكي از مهمترين چالش‌هاي اين حوزه به‌شمار مي‌رود. گفتار با پس‌زمينۀ موسيقي نيز يكي از چالش‌هاي حوزۀ رسانه است كه دقت سيستم‌هاي بازشناسي گفتار را به شدت كاهش مي‌دهد. در اين مقاله سعي شده است تا با استفاده از رويكردهاي تطبيق مدل و آموزش چند ‌وضعيتي ، عملكرد شبكه‌هاي عصبي عميق در مواجهه با اين مشكل مورد بررسي قرار گيرد و با استفاده از چند لايه شبكه‌هاي عصبي كانولوشني براي استخراج ويژگي‌هاي متمايز از گفتار، عملكرد سيستم‌هاي بازشناسي گفتار با پس‌زمينۀ موسيقي بهبود يابد. ميزان خطاي كلمه (WER) در مدل پيشنهادي، نسبت به حالت‌ پايه (شبكه عصبي تأخير زماني با دادگان آموزش تميز) به‌طور ميانگين حداقل 4.86 درصد و حداكثر 8.04 درصد كاهش يافته است.