چکیده پایان نامه

چکیده پایان نامه ضبط گفتار در فاصله دور با كيفيت بالا، مي‌تواند تعامل بين انسان و ماشين را تسهيل بخشد و اين تعامل را همانند تعامل انسان و انسان طبيعي، بكند و به انسان اجازه مي‌دهد تا بدون نياز به نزديكي و تماس فيزيكي با ميكروفون‌ها، با ربات‌ها و دستگاه‌هاي هوشمند تعامل داشته باشد زيرا كه موجب كاهش خطاي ماشين در كاربردهاي صوتي از جمله سيستم‌هاي بازشناسي خودكار گفتار، سيستم‌هاي بهسازي گفتار، سيستم‌هاي تبديل صوت، سيستم‌هاي جداسازي گفتار و ... مي‌شود و مزيت آن در كاربردهاي صوتي در فاصله دور همانند خانه‌هاي هوشمند، كنفرانس‌هاي از راه دور، افرادي كه در حركت ناتوان هستند، سيستم‌هاي شنود و ...، خود را نشان مي‌دهد. اما ضبط گفتار با كيفيت در فاصله دور بسيار چالش برانگيز است زيرا كه عوامل بسيارزيادي از جمله واخنش و انواع نويزها، كيفيت گفتار مورد نظر را كاهش مي‌دهند؛ به ويژه اگر زمان اين واخنش بيشتر از نيم ثانيه باشد. در اين پژوهش، يك رويكرد جديد براي بهبود گفتار تك گوينده در محيط‌هاي پرواخنش نويزي در نظر گرفته شده است. رويكرد پيشنهادي مبتني بر استفاده از شكل‌دهنده‌هاي پرتو سري كه در اين پژوهش نام شبكه‌هاي شكل‌دهي پرتو سري نردباني به آن اطلاق شده است با تعداد متغير ميكروفون مجازي بر روي يك كره است كه سنتز سيگنال ميكروفون‌هاي مجازي با استفاده از روش غيرپارمتريك بازتوليد ميدان صوتي انجام گرفته است. همچنين سعي بر اين است تا با شبيه‌سازي يك اتاق با زمان واخنش يك ثانيه با نسبت سيگنال به نويز ۱۰ دسي بل بعنوان يكي از بدترين شرايط براي كاربردهاي صوتي، با استفاده از رويكرد فوق، حداكثر بازشناسي گفتار از فاصله دور با استفاده از معيار نرخ خطاي كلمه در مقايسه با حالت‌هاي تك كاناله حاصل شود. نرخ خطاي كلمه يك ميكروفون منفرد از آرايه، با استفاده از سيستم بازشناسي گفتار WeNet، معادل ۵۰/۱۷% بدست آمد كه اين مقدار، مرجع مقايسه روش‌هاي مختلف با رويكرد پيشنهادي ما قرار داده شد. علاوه بر اين، عملكرد الگوريتم‌هاي مختلف و الگوريتم پيشنهادي، با استفاده از معيارهاي PESQ، FWSegSNR، SRMR و Cepstral Distance مقايسه شده است. براساس نتايج و با مقايسه عملكرد الگوريتم‌هاي مختلف، الگوريتم پيشنهادي مي‌تواند نرخ خطاي كلمه ۱۹/۵۳% و ۱۹/۱۸% را ارئه دهد.