Máquinas de vectores soporte para reconocimiento robusto de habla

Abstract

El objetivo de esta tesis doctoral es estudiar la viabilidad de la aplicación práctica de la máquina de vectores soporte (support vector machine, SVM) en el campo del reconocimiento automático de habla (RAH). Tanto la formulación teórica de esta herramienta como los resultados conseguidos en otros ámbitos han llevado a considerarla una opción apropiada para solventar algunos de los problemas presentes en los reconocedores de habla actuales. En concreto, esta tesis dirige su atención al problema del reconocimiento robusto de habla en condiciones acústicas adversas. Una primera líea de trabajo se centra en la etapa de modelado acústico de los reconocedores de habla, en la que los modelos de mezclas de Gaussianas (Gaussian mixture models, GMMs) empleados tradicionalmente se sustituyen por una máquina de vectores soporte multiclase para clasificación (support vector classifier, SVC). Dada una cierta observación, esta SVM se encarga de estimar la probabilidad a posteriori de cada una de las clases acústicas consideradas. Este sistema híbrido SVM/HMM, usando un contexto acústico adecuado y un conjunto de datos de entrenamiento mucho menor que los sistemas convencionales, obtiene resultados prometedores a costa de una complejidad computacional mayor. Con el objetivo de reducir dicha complejidad y lograr así que el reconocedor híbrido opere en tiempo real, se propone el uso de SVMs 'compactas' entrenadas mediante un procedimiento de mínimos cuadrados ponderados (weighted least squares, WLS). El método empleado permite fijar de antemano la complejidad de la máquina de vectores soporte imponiendo un modelo reducido sobre el vector de pesos que define el hiperplano de separación. De esta forma, es posible controlar el coste computacional en la etapa de reconocimiento sin que ello suponga una pérdida apreciable en las prestaciones del sistema SVM/HMM. La segunda línea de trabajo en esta tesis se centra en la etapa de parametrización de la señal de voz. En este caso, se propone el uso de un método no paramétrico de estimación espectral basado en la máquina de vectores soporte para regresión (support vector regressor, SVR), como etapa previa a la obtención de los coeficientes cepstrales. La posibilidad de definir distintas regiones en la función de coste dependiendo de la magnitud del error confiere a la SVR una mayor robustez en presencia de ruido impulsivo, situación relativamente común en el ámbito del reconocimiento automático de habla. Los resultados experimentales obtenidos reflejan una clara mejora respecto al método convencional de estimación espectral cuando la señal de voz está contaminada con ruido impulsivo de corta duración. Las propuestas que se describen en esta tesis doctoral se han evaluado sobre una tarea de reconocimiento de dígitos conectados en castellano, con una complejidad moderada. Esto ha facilitado el desarrollo de la fase experimental del trabajo, obteniéndose resultados significativos que avalan la viabilidad del uso en el campo del RAH de los métodos presentados en esta tesis doctoral. Finalmente, se han identificado ciertas líneas de trabajo futuro con el objetivo de que las técnicas propuestas lleguen a ser totalmente viables y competitivas. ----------------------------------------------------------------------------------------------------------------------------------------------------------------------