Resumen

El reconocimiento del lenguaje hablado (SLR) ha despertado un interés creciente en el reconocimiento multilingüe del habla para identificar las lenguas de las expresiones orales. La mayoría de los enfoques de SLR aplican técnicas de modelado estadístico con características acústicas y fonotácticas. Entre los enfoques más populares, el acústico ha cobrado mayor interés que los demás porque no requiere ningún conocimiento previo específico de la lengua. Las investigaciones anteriores sobre el enfoque acústico han mostrado menos interés en aplicar conocimientos lingüísticos; sólo se utilizaban como características complementarias, mientras que el sistema actual de última generación asume la independencia entre las características. Este artículo propone un sistema SLR basado en el modelo de campo aleatorio condicional dinámico latente (LDCRF) que utiliza características fonológicas (PF). Utilizamos los PF para representar características acústicas y conocimientos lingüísticos. El modelo LDCRF se empleó para capturar la dinámica de las secuencias de PFs para la clasificación lingüística. Se realizaron sistemas de referencia para evaluar las características y los métodos, incluidos los sistemas basados en el modelo de mezcla gaussiano (GMM) utilizando PFs, GMM utilizando características cepstrales y el modelo CRF utilizando PFs. Evaluado en el corpus LRE 2007 del NIST, el método propuesto mostró una mejora con respecto a los sistemas de referencia. Además, obtuvo resultados comparables a los del sistema acústico basado en el vector i. Esta investigación demuestra que la utilización de PFs puede mejorar el rendimiento.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Mathematical logic
• Palabras claves:pfs, enfoque acústico, conocimiento lingüístico, campo aleatorio condicional dinámico, modelo de mezcla gaussiano, reconocimiento del lenguaje hablado, reconocimiento multilingüe del habla, técnicas de modelado estadístico, gmm, características
• Keywords:pfs, acoustic approach, linguistic knowledge, dynamic conditional random field, gaussian mixture model, spoken language recognition, multilingual speech recognition, statistical modeling techniques, gmm, features