非監督式快速語者調適演算法研究

NCUIR > College of Electrical Engineering & Computer Science > Graduate Institute of Electrical Engineering > Electronic Thesis & Dissertation > Item 987654321/8995

Please use this identifier to cite or link to this item: http://ir.lib.ncu.edu.tw/handle/987654321/8995

Title:	非監督式快速語者調適演算法研究
Authors:	陳克巽;Ke-Zhuan Chen
Contributors:	電機工程研究所
Keywords:	非監督式快速語者調適;貝氏調適法;最大可能性線性迴歸;向量場平滑化;Speaker Adaptation
Date:	2000-06-13
Issue Date:	2009-09-22 11:39:06 (UTC+8)
Publisher:	國立中央大學圖書館
Abstract:	語者調適是為了讓使用者能夠在使用少量的調適語料，在不需錄製大量訓練語料條件下，在不知不覺當中，借由幾句話就能達到良好的調適效果，提升系統辨識能力，這就是非監督式快速語者調適的目的。在調適方法方面，本論文中使用到的主要有貝氏調適法(Bayesian adaptation, MAP)、最大可能性線性迴歸(Maximum Likelihood Linear Regression, MLLR)、向量場平滑化(Vector-Field-Smoothing, VFS)三種，並嘗試結合MLLR與MAP、MLLR與VFS來提升調適能力可能性，並由實驗證明，MLLR+MAP與MLLR+VFS不論在監督(Supervised)或非監督(Unsupervised)調適中，效果都比使用單一方法下來得好。在快速調適做法上，一般是用監督批次 (Supervised Batch) 式架構或非監督漸增(Unsupervised Incremental)方法來實現。本論文首先使用監督批次式(SB)架構來評估各種調適方法表現；另外在非監督調適上，使用兩種架構，一種是每次在調適時只使用不同2句話來不斷地調整初始模型(UI_1)；另一種則是重覆使用上一次調適過的語料來調適(UI_2)。MLLR使用UI_1調適架構時，正確率會有跳動情況發生，若再增加調適語料，跳動情形依然可能發生；若與MAP、VFS結合，則可以增加MLLR在非監督調適下穩定性，從MLLR+VFS與MLLR+MAP 以每次4句，5次調適結果平均來比較，兩者都比不特定語者高出5個百分點左右，MLLR+VFS又比MLLR+MAP高出了1.34個百分點，同時可以看出MLLR+VFS在一次使用較多調適語料時，正確率比較不會有跳動的情況發生。在非監督調適當中，若使用UI_2架構，則對MLLR+MAP與MLLR+VFS而言，具有快速穩定調適效果，兩者在第2次的調適後，即可達到 90 %詞正確率，若調適次數再增加，則MLLR+VFS正確率有緩慢上升趨勢，最好可達 94.45 %。所以在非監督式快速語者調適當中，使用UI_2架構，並結合MLLR+VFS是較為可行調適方法。
Appears in Collections:	[Graduate Institute of Electrical Engineering] Electronic Thesis & Dissertation

Files in This Item:

File	Size	Format

社群 sharing

Loading...