Key points are not available for this paper at this time.
Ein sprachunabhängiger versteckter Markov-Modell (HMM) Schlüsselworterkenner (KWR), der auf einem Modell zur kontinuierlichen Spracherkennung basiert, wird vorgestellt. Das Basismodell für die Schlüsselworterkennung wird beschrieben, und Techniken zum Umgang mit nicht-Schlüsselwort Sprache sowie linearen Kanaleffekten werden erörtert. Das Training akustischer Modelle zur Bereitstellung einer expliziten Darstellung von nicht-vokabularer Sprache wird untersucht. Ein Verfahren zur Likelihood-Ratio-Bewertung wird verwendet, um Quellen der Variabilität, die die Wahrscheinlichkeitswerte der Schlüsselwörter beeinflussen, zu berücksichtigen. Ein spektrales Normalisierungsverfahren, das von der akustischen Klasse abhängt, wird verwendet, um eine explizite Kompensation für lineare Kanaleffekte zu bieten. Die Ergebnisse der Schlüsselworterkennung für eine Standardgesprächsaufgabe mit einem Vokabular von 20 Schlüsselwörtern erreichen eine Entdeckungswahrscheinlichkeit von 82 % bei einer Fehlalarmrate von 12 Fehlalarmen pro Schlüsselwort und Stunde.
Rose et al. (Wed,) untersuchten diese Frage.