abordagem é que nenhuma pronúncia canônica é necessária, o que se torna mais prático, uma vez que, muitas palavras não existem no dicionário de pronúncia. Os experimentos realizados em [82] mostraram uma redução de 17% no erro relativo, quando o conjunto de treinamento e o conjunto de teste apresentavam sobreposição nas palavras não vistas.
Devem ser feitas considerações sobre o custo-benefício ao adicionar variações no dicioná- rio, uma vez que, se por um lado, são gerados modelos que se assemelham mais precisamente ao sinal acústico atual, por outro lado, aumenta-se o número de modelos confusos para as palavras [64]. Diante disso, ao invés de aumentar o número de variações de pronúncia no dicionário, em [84] foi introduzido um modelo de distorção da pronúncia, para repontuar as n-melhores hipóteses geradas por uma primeira etapa de reconhecimento.
2.3 Considerações Gerais
Avanços obtidos em sistemas de reconhecimento automático de fala, baseados na modelagem acústica, têm possibilitado bons resultados no que se refere ao reconhecimento de palavras isoladas. Contudo, ainda existem certas limitações para se obter o reconhecimento auto- mático de fala contínua e/ou espontânea. Para se atingir tal objetivo, outras técnicas têm sido utilizadas em conjunto com a modelagem acústica, como as modelagens linguística e de pronúncia.
Na modelagem linguística, são capturadas regularidades da linguagem falada, que são utilizadas para estimar a probabilidade da sequência de palavras. O método linguístico mais popular é o chamado modelo n-gram, que objetiva capturar as restrições sintáticas e semân- ticas da língua a partir da estimativa da frequência de sequência de n palavras anteriores. Outro método também muito utilizado é a modelagem linguística por meio de Árvores de Decisão, no qual é utilizada uma abordagem top-down de agrupamento das amostras, que estão inicialmente em único grupo, e vão sendo separadas em grupos menores, por meio de perguntas que vão sendo realizadas sobre tais amostras. Árvores de Decisão têm sido muito utilizadas na modelagem linguística para relacionar/ ligar os parâmetros do HMM, bem como, melhorar o desempenho dos modelos n-gram. Ainda na modelagem linguística, podem ser utilizadas as Gramáticas Livres de Contexto. Essa estrutura é usualmente expressa como um conjunto de regras que possuem uma simples e atômica categoria gramatical à esquerda de cada regra, e a uma sequência de categorias atômicas e palavras à direita. Neste trabalho, também foram apresentadas as técnicas de Máxima-Entropia e de Modelagem Adaptativa. A primeira visa resolver o problema de fragmentação dos modelos anteriormente discutidos, e a segunda trata a natureza heterogênea da fala natural, que pode variar de tópicos, gêneros e estilos.
A modelagem acústica tem como principal objetivo lidar/tratar com a variabilidade presente em um sinal de fala. Essa variabilidade pode advir do contexto linguístico, ou pode estar associada ao contexto não-linguistico, como por exemplo, o locutor (e.g. características
2.3 CONSIDERAÇÕES GERAIS 32
físicas, forma da elocução, humor, etc.), ou ambiente acústico (e.g. ruído de fundo), além do canal de gravação (e.g. microfone, telefone, etc.). Nessa modelagem, predominam os métodos de análise espectral LPC (Linear Predictive Coding) e o método de análise espectral por banco de ltros, os quais também foram descritos neste capítulo.
A modelagem da pronúncia é a ligação entre a representação acústica e a saída dos itens léxicos do sistema de reconhecimento. Associada a cada entrada léxica existe uma ou mais pronúncias descritas com base na unidade elementar escolhida (usualmente fonemas ou fones). Devem ser feitas considerações sobre o custo-benefício ao adicionar variações no dicionário, uma vez que, se por um lado, são gerados modelos que se assemelham mais pre- cisamente ao sinal acústico atual, por outro lado, aumenta-se o número de modelos confusos para as palavras.
Apesar de exercerem papéis diferentes no processo de reconhecimento, na etapa de clas- si cação dos padrões gerados, as modelagens acústica, linguística e de pronúncia têm como fundamento básico a teoria de decisão de Bayes, que considera a probabilidade de uma deter- minada sentença a partir de um espaço de observação. Na etapa de classi cação, o método que tem apresentado melhores resultados é o HMM, cujo funcionamento será explicado no Capítulo 3.
Capítulo 3
Modelos Ocultos de Markov Aplicados
ao Reconhecimento da Fala
De uma forma geral, os métodos conhecidos para reconhecimento de fala diferenciam-se quanto à forma como os parâmetros extraídos são utilizados na construção e classi cação dos padrões. Dessa forma, podem ser divididos em dois grupos [85]: Métodos Paramétricos e Métodos Estatísticos.
Nos métodos paramétricos, é levada a efeito uma redução de dados explícita, após a qual é obtido um padrão de referência que continua ainda na forma paramétrica. A regra de decisão no processo de comparação de padrões baseia-se em medidas de distância. Como exemplo de método paramétrico, pode-se citar a Quantização Vetorial.
Nos métodos estatísticos, a construção dos padrões é obtida por meio de modelos esta- tísticos, tais como Modelos Ocultos de Markov (HMMs) [86, 87]. Os parâmetros extraídos são, portanto, com o auxílio da teoria das probabilidades, representados por modelos esto- cásticos nos quais está presente uma redução implícita de dados. Nesses métodos não é feita uma comparação direta de padrões e a decisão é tomada usando o cálculo de probabilidades associadas aos modelos.
Muitos sistemas aplicados ao reconhecimento de fala para vocabulário grande e contínuo utiliza os Modelos Ocultos de Markov (Hidden Markov Models HMM) para classi cação na modelagem acústica [2, 8, 9, 20, 38, 39, 86, 88]. Esse método consiste na modelagem da função densidade probabilidade de uma sequência de vetores de características acústicas.
Para estimar os parâmetros do HMM existem algoritmos e cientes. Em reconhecimento de fala, os HMM podem ser usados para representar palavras, sentenças ou unidades menores tais como fones [89, 90].
3.1 De nição e descrição do modelo
Em um HMM, formado por uma cadeia de estados (cadeia de Markov), existem dois proces- sos estocásticos associados, um envolvendo as transições entre os estados e outro envolvendo
3.1 DEFINIÇÃO E DESCRIÇÃO DO MODELO 34
as observações de saída de cada estado.
As observações de saída são manifestações do fenômeno sendo modelado, e são descri- tas por funções probabilísticas que podem ser obtidas de duas formas. A primeira delas, usualmente utilizada no modelamento acústico do sinal de fala, está associada à emissão de um símbolo no instante de chegada a um estado, e é conhecida como máquina de Moore. A segunda forma, geralmente utilizada no processamento de linguagem, está associada à emissão de um símbolo durante a transição entre estados, e é conhecida como máquina de Mealy [46].
Na Figura 3.1 é apresentado um exemplo de modelo HMM de 3 estados, correspondente às formas de Moore e Mealy, respectivamente, em que:
i, j e k representam os estados do modelo;
aij representa a probabilidade de transição do estado i para o estado j;
b representa a probabilidade de emissão de um símbolo, associado ou a um estado (bi) ou a uma transição entre estados (bij).
Figura 3.1: Exemplo de um HMM de 3 estados, associado à topologia Moore (a) e Mealy (b).
Em geral, para o reconhecimento de fala, utiliza-se um modelo simpli cado de HMM conhecido como modelo left-right (esquerda-direita), ou modelo de Bakis [13]. Neste modelo, exempli cado na Figura 3.2, são permitidos apenas transições para o mesmo estado, ou transições de um estado i para um estado j, mais à direita, sendo aij = 0 se j > i + 2 ou j < i.
Quando se aplica HMM a problemas de reconhecimento, as observações de saída são de nidas por parâmetros representativos do sinal de fala, tais como os MFCC (Mel Fre- quency Cepstral Coe cients), LFCC (Linear Frequency Cepstral Coe cients), LPC (Linear Predictive Coding Coe cients), entre outros.
Um HMM pode ser de nido como sendo:
3.1 DEFINIÇÃO E DESCRIÇÃO DO MODELO 35
Figura 3.2: Exemplo de um HMM tipo left-right de cinco estados.
• Uma matriz de transições A = aij, sendo aij representa a probabilidade de se efetuar uma transição do estado i para o estado j;
• Uma matriz de probabilidades de saída B = bj(k), sendo bj(k) de ne a probabilidade de emissão do símbolo k, ao se chegar ao estado j (modelo de Moore). O símbolo k pertence a um conjunto nito ou in nito de símbolos de saída.
Desde que aij e bj(k) sejam probabilísticos, as seguintes propriedades devem ser satisfei- tas: X j aij = 1 ∀i, j , sendo aij ≥ 0. (3.1) X k bj(k) = 1 ∀k , sendo bj(k)≥ 0. (3.2)
Pode-se associar a sequência de transições de estado a um processo estocástico Xt, e a sequência de símbolos emitidos a outro processo Yt , dependente do primeiro. Assim, a cada incremento em t existirá exatamente uma transição de estado (mesmo que seja para o mesmo estado autotransição) e, consequentemente, a emissão de um símbolo. Utilizando esta notação temos:
aij = P (Xt= j|Xt−1 = i), (3.3)
bj(k) = P (Yt = k|Xt= j), (3.4)
sendo Xt = j signi ca que a cadeia de Markov está no estado j no instante t, e Yt = k signi ca que o símbolo de saída emitido no instante t é k.
O conjunto de símbolos observáveis k corresponde à saída física do sistema que está sendo modelado. Desta forma, para sistemas de reconhecimento de fala, os símbolos devem corresponder a um conjunto de vetores de parâmetros extraídos do sinal sendo analisado.