تطبیق گوینده در بازشناسی گفتار پیوسته بر اساس تخمین MAP مبتنی بر تبدیل MLLR

روشهای مختلفی برای تطبیق گوینده در سیستمهای بازشناسی گفتار معرفی گردیده اند . در برخی روشها نظیر تخمین map تنها مدلهایی که داده آموزشی متناظرشان موجود باشد تاره سازی می شوند . و برای بهبود قابل توجه دقت بازشناسی ، داده آموزشی نسبتا زیادی مورد نیاز است . در برخی دیگر نظیرmlir که تعدادی تبدیلات عمومی بر روی خوشه های مدلها اعمال می شود . برای دادگان کم آموزشی نتایج مطلوبی حاصل می شود اما با افزایش دادگان ، کارایی به حد اشباع می رسد . در این مقاله روش جدیدی مطرح می شود که از مزایای هر دو روش فوق برای دسترسی به کیفیت بالا بهر می برد . در این روش مدلهایی که داده آموزشی آنها موجود است به کمک تخمین map آموزش می بینند ، و برای مدلهایی که داده آموزشی کافی ندارند . با استفاده از روش mlir مقادیر پیشینه مناسب برای تخمین map تامین می شود . این روش در عمل ، بر روی یک سیستم آموزش دیده بر اساس دادگان فارس دات به نتایج بهتری نسبت به هر یک از دو روش map و mlir دست یافته است .