非監督式快速語者調適的目的就是希望語者能利用很少量的語料就能將語音模型做精準的調整，而藉著調整過後的模型，整個系統的性能對於目前的語者將會更好。而當語者持續對系統進行測試時，語音模型亦能同步地做相對的調整，故能使得語者在不知不覺地測試中達到提升辨識性能的結果。 在本論文中，我們即針對語者調適演算法做深入的研究。而這些演算法是貝氏調適法(Bayesian adaptation, MAP)、最大可能性線性迴歸法(Maximum Likelihood Linear Regression, MLLR)、修正最大可能性線性迴歸法(Modified Maximum Likelihood Linear Regression)、利用最大可能性理論求取轉換參數法、及利用貝氏理論求取轉換參數法。而經由實驗發現，同屬於參數轉換的後三者演算法在非監督式少量語料下調適皆有不錯的調適效果。而貝氏調適法由於是屬於精調式的方法故在非監督式調適下則無顯著的調適效果，另外，最大可能性線性迴歸法若不加入修正則在極少量語料下(僅一句、二句或甚少的語料)仍會發生調差語音模型的現象。再者，我們發現貝氏調適法雖不適合做非監督式的語者調適，但在自我監督式調適若配合適當設計的模糊控制器，則其會有較穩定的調適性能，並且當語料充足時則會有接近完全辨識的效果。 本論文的研究是採先以離線式的方式對各個調適演算法做性能上的評估，之後再以線上的方式測試語者調適的效果，而在線上測試時亦加入了對於調適語料確認的簡單方法。
