Купить СНПЧ А7 Архангельск, оперативня доставка

Metodologia de Desenvolvimento para Sistema de Reconhecimento de Vogais utilizando GMM

DOI: http://dx.doi.org/10.12702/encom2013-a14

 

downloadpdf

Larissa de M. Soares1, Rafael de S. Marinho1 & Fabrício B. S. de Carvalho1

 

Resumo: Este artigo apresenta um sistema de reconhecimento de vogais para o português brasileiro. O processo de criação do sistema envolve desde as etapas de gravação dos sinais de voz para a etapa de treinamento até a etapa de teste do sistema, e tem por intenção mantê-lo o mais simples possível. A proposta é criar um sistema de reconhecimento de vogais baseado em modelos de misturas de gaussianas (GMM - do inglês gaussian mixture models) que utilizam parâmetros MFCC (Mel-frequency cepstral coefficients) de voz para português brasileiro.

Palavras-chave: reconhecimento de voz, modelo de misturas de gaussianas, MFCC

 

1 Departamento de Engenharia Elétrica. Universidade Federal da Paraíba. João Pessoa, Brasil. E-mail: larissa.soares@cear.ufpb.br; rsmarinho@cear.ufpb.br; fabricio@cear.ufpb.br

 

Literatura Citada

[1] L. R. Rabiner and B.-H. Juang, Fundamentals of speech recognition. Prentice Hall signal processing series, Prentice Hall, 1993.

[2] L. Rabiner and R. Schafer, “Introduction to digital speech processing,” Foundations and trends in signal processing, vol. 1, no. 1, pp. 1–194, 2007.

[3] L. Rabiner and R. Schafer, Digital Processing of Speech Signals. Englewood Cliffs: Prentice Hall, 1978.

[4] S. Fine, G. Saon, and R. A. Gopinath, “Digit recognition in noisy environments via a sequential GMM/SVM system.,” in ICASSP, pp. 49–52, IEEE, 2002.

[5] A. Klautau, N. Jevtic, and A. Orlitsky, “Discriminative Gaussian Mixture Models: A Comparison with Kernel Classifiers.,” in ICML (T. Fawcett and N. Mishra, eds.), pp. 353–360, AAAI Press, 2003.

[6] D. A. Reynolds, T. F. Quatieri, and R. B. Dunn, “Speaker Verification Using Adapted Gaussian Mixture Models.,” Digital Signal Processing, vol. 10, no. 1-3, pp. 19–41, 2000. doi

[7] R. O. Duda, D. G. Stork, and P. E. Hart, Pattern classification. New York; Chichester: Wiley, 2000.

[8] J. Bilmes, “A gentle tutorial of the EM algorithm and its application to parameter estimation for Gaussian mixture and hidden Markov models,” International Computer Science Institute, vol. 4, p. 126, 1998.

[9] M. R. Gupta and Y. Chen, “Theory and use of the em algorithm.,” Foundations and Trends in Signal Processing, vol. 4, no. 3, pp. 223–296, 2010. doi