Modelado de microsegmentos de consonantes oclusivas en un reconocedor de palabras basado en un modelo oculto de Markov

La motivación de este estudio es el bajo rendimiento de los reconocedores de voz en las consonantes oclusivas. Para superar esta debilidad, se modelan las consonantes oclusivas iniciales y finales en nivel subfonémico (microsegmental). Cada consonante oclusiva se segmenta en unos pocos microsegmentos relativamente estacionarios: silencio, barra de voz, explosión y aspiración. Los microsegmentos de ciertas oclusivas fonémicamente diferentes se entrenan juntos debido a sus propiedades espectrales similares. Los modelos microsegmentales de explosión y aspiración están condicionados a la categoría de vocal adyacente: vocales frontales versus no frontales. Los modelos ocultos de Markov (HMM) microsegmentales dependientes del contexto para seis oclusivas poseen las propiedades deseadas para un compromiso entre precisión de modelado y robustez. Permiten al reconocedor enfocar la discriminación en aquellas regiones de una oclusiva que sirven para distinguirla de otras oclusivas. El uso de estos modelos en experimentos de reconocimiento para listas de palabras que consisten en palabras CVC reduce la tasa de error en un 35 % en comparación con el resultado obtenido utilizando un HMM para cada fonema oclusivo.