Диссертация (Методы, алгоритмы и программные средства распознавания русской телефонной спонтанной речи), страница 21

По его результатам, представленным в таблице 4.4, разработанная система продемонстрирована лучшее, чем система-Б, качество распознавания на 19,9–22,8% абсолютных и 36,4–51,0% относительных, в зависимости от тестовой базы.Сравнение с системой-В проводилось на тестовой базе STC-test-1.

По егорезультатам, представленным в таблице 4.5, разработанная система оказаласьлучше системы-В по качеству распознавания на 36,5% абсолютных и 62,5% относительных.Сравнение с системой-Г проводилось на тестовых базах STC-test-1 и STCtest-2. По его результатам, представленным в таблице 4.6, разработанная система продемонстрирована лучшее, чем система-Г, качество распознавания на 32,3–37,1% абсолютных и 48,2–62,9% относительных, в зависимости от базы, на которой проводилось сравнение.125Таблица 4.4Сравнение разработанной системы с системой-Б на тестовых базах STC-test-1 иSTC-test-2СистемаТестовая базаWER, %∆WER, %WERR, %система-БSTC-test-144,7——21,922,851,054,6——34,719,936,4разработанная системасистема-БSTC-test-2разработанная системаТаблица 4.5Сравнение разработанной системы с системой-В на тестовой базе STC-test-1СистемаТестовая базаWER, %∆WER, %WERR, %система-ВSTC-test-158,4——21,936,562,5разработанная системаТаблица 4.6Сравнение разработанной системы с системой-Г на тестовых базах STC-test-1 иSTC-test-2СистемаТестовая базаWER, %∆WER, %WERR, %система-ГSTC-test-159,0——21,937,162,967,0——34,732,348,2разработанная системасистема-Гразработанная системаSTC-test-2126Таким образом, разработанная система продемонстрировала большое превосходство как над системой-победителем конкурса ФПИ, так и над другимиучаствовавшими в сравнении системами в задаче распознавания русской телефонной спонтанной речи.4.2.5 Оценка быстродействия разработанной системыОценка быстродействия разработанной системы по методике, описанной вразделе 4.2.1, осуществлялась на тестовой базе STC-test-2 в однопоточном и многопоточном режимах.

Использовались следующие конфигурации ЭВМ:1. Конфигурация 1: 8-ядерный процессор Intel Xeon E7-4830 с тактовой частотой 2,13 гГц, 32 ГБ ОЗУ, операционная система Windows Server 2008x64 R2 Standard Service Pack 1.2. Конфигурация 2: 4-ядерный процессор Intel Core i5 4570 с тактовой частотой 3,20 гГц, 16 ГБ ОЗУ, операционная система Windows 7Professional, графический ускоритель GeForce GTX 770.Для конфигурации 2 оценка проводилась в двух режимах: с использованием ибез использования системой распознавания вычислений общего назначения награфических процессорах (GPGPU).Таблица 4.7Оценка быстродействия разработанной системы на различных конфигурацияхЭВМ на тестовой базе STC-test-2ЭВМЧисло потоковRTF (без GPGPU)RTF (GPGPU)Конфигурация 111,24—Конфигурация 180,23—Конфигурация 210,510,28Конфигурация 240,180,10Показатели быстродействия разработанной системы представлены в таблице 4.7.

Эффективность распараллеливания, определяемая по формуле 4.2, составила около 70% для обеих конфигураций ЭВМ. Использование графического127ускорителя позволило сократить время работы системы (конфигурация 2) на 45%в однопоточном режиме и многопоточном режимах. Итоговые значения RTF дляобеих конфигураций ЭВМ при использовании нескольких потоков оказались значительно меньше единицы.В практических приложениях существуют различные требования по скорости распознавания речи, зависящие как от специфики задачи, так и от аппаратного обеспечения. В разработанной системе предусмотрен механизм регулированиябыстродействия при помощи изменения параметров декодера, описанных в разделе 1.5.

Этот механизм позволяет обеспечить либо ускорение работы системыза счет снижения точности распознавания, либо, напротив, повышение точностираспознавания за счет замедления работы системы. Для демонстрации работы механизма было проведено распознавание тестовой базы STC-test-2 на ЭВМ конфигурации 2 в однопоточном режиме со «стандартными» параметрами декодера (компромисс между скоростью и качеством), а также «ускоренными» (уменьшенные луч поиска и количество гипотез на каждом кадре) и «замедленными»(увеличенные луч поиска и количество гипотез на каждом кадре) параметрамидекодера.

Результаты приведены в таблице 4.8. Видно, что, относительно «стандартных» параметров, для «ускоренных» параметров достигается значительныйвыигрыш в скорости распознавания при ухудшении пословной ошибки распознавания на 1,4% абс., а для «замедленных» параметров удается достичь 0,4% абс.улучшения качества распознавания ценой некоторого замедления системы.

ТаТаблица 4.8Демонстрация работы механизма регулирования быстродействия системы натестовой базе STC-test-2Параметры декодера RTF (без GPGPU) RTF (GPGPU) WER, %Стандартные0,510,2834,7Ускоренные0,390,1536,1Замедленные0,790,4634,3ким образом, регулируя параметры декодера, пользователь может добиться требуемой ему скорости работы системы. Это позволяет удовлетворить требованиямпо быстродействию, диктуемым реальными приложениями.1284.3Выводы1. Представлена структура системы распознавания русской спонтанной речи, состоящей из двух основных компонентов: подсистемы обучения иподсистемы распознавания речи.

Подсистема обучения отвечает за настройку параметров системы. Подсистема распознавания речи принимает на вход звуковые файлы из базы и выдает на выходе текстовые файлыс расшифровками. Дано описание и основные характеристики программных средств, входящих в состав каждой из подсистем.2. Приведены результаты сравнения разработанной системы с существующими системами распознавания слитной русской речи по точности распознавания. По результатам сравнения разработанная система обеспечивает значительно более высокую точность распознавания русской телефонной спонтанной речи, чем другие системы, участвовавшие в сравнении.3. Проанализировано быстродействие разработанной системы в различныхусловиях по конфигурации ЭВМ и числу потоков распознавания. Продемонстрирован механизм регулирования скорости работы системы, позволяющий удовлетворить требованиям по быстродействию, диктуемымреальными приложениями.129ЗаключениеИтоги выполненного исследования.

В диссертации получены следующиеосновные результаты:1. Разработан метод построения информативных признаков, извлекаемыхиз адаптированной к диктору и акустическим условиям глубокой нейронной сети с узким горлом.2. Разработан двухэтапный алгоритм инициализации обучения акустических моделей на основе глубоких нейронных сетей, предназначенныйдля уменьшения влияния сегментов, не содержащих речь, на обучениеакустической модели.3. Разработан метод построения системы распознавания русской телефонной спонтанной речи, включающий в себя обучение языковых моделей,формирование словаря транскрипций и обучение акустических моделейс использованием разработанных метода и алгоритма.4.

Реализованы программные средства, входящие в состав системы распознавания русской телефонной спонтанной речи и позволяющие использовать акустические модели, обученные с использованием представленных в диссертации методов и алгоритмов.Представленные в диссертации методы, алгоритмы и программные средства были реализованы в системе распознавания русской телефонной спонтанной речи,обеспечивающей значительно более высокую точность распознавания по сравнению с существующими системами, при этом удовлетворяя диктуемым реальнымиприложениями требованиям по быстродействию. В частности, разработанная система продемонстрировала на 18,1–21,0% абсолютных и 34,7–45,3% относительных меньшую пословную ошибку распознавания, чем система-победитель конкурса ФПИ.Рекомендации по применению результатов работы:1.

При использовании разработанной системы распознавания русской телефонной спонтанной речи в практических задачах следует использоватьпредусмотренный в ней механизм регулирования быстродействия, чтобы обеспечить необходимую скорость работы.1302. Разработанные в диссертации метод построения информативных признаков, извлекаемых из глубокой нейронной сети с узким горлом, адаптированной к диктору и акустическим условиям, и алгоритм инициализации обучения акустических моделей на основе глубоких нейронныхсетей применимы и к другим задачам распознавания речи, в том числедля других языков.