Studio Prestazionale del Sistema di Speech Recognition CMU Sphinx al variare di Algoritmi di Rivelazione dell'Attività Vocale

Il software comprende sia un trainer di modelli acustici sia diversi decoder per il riconoscimento del testo e l'identificazione dei fonemi.
Il training di Sphinx è costituito da una sequenza iterativa di allineamenti e di stime di modelli acustici statistici. Esso inizia allineando l'audio segmentato con le trascrizioni del segnale e genera un primo modello acustico grezzo. Da questo primo passaggio di riconoscimento detto baseline, si utilizzano le informazioni così ricavate per reiterare il processo applicando delle tecniche di adattamento del modello acustico. Tutto ciò viene implementato attraverso una serie di cicli in cui viene stimata attraverso l'algoritmo di Baum-Welch la densità di probabilità delle sequenze di uscita e vengono effettuati ulteriori allineamenti di trascrizioni.
I modelli possono essere calcolati in relazione a ciascun fonema e in tal caso sono detti Context Indipendent CI o considerando il contesto fonemico ragion per cui sono chiamati Context Dipendent CD.
I modelli acustici di Sphinx sono allenati attraverso vettori di features costituiti dai coefficienti cepstrali in scala Mel chiamati più semplicemente MFCC (Mel Frequency Cepstral Coefficients) che vengono calcolati antitrasformando il logaritmo della Trasformata FFT del segnale. Questi coefficienti hanno la caratteristica di enfatizzare le frequenze a cui l'orecchio umano è più sensibile e consentono di ricavare da essi l'inviluppo dello spettro di segnale. Inoltre vengono calcolate ed utilizzate anche le derivate prime di questi coefficienti, che raccolgono informazioni sulla variazione delle features nel tempo e le derivate seconde di tali coefficienti che danno informazioni relativamente alla velocità di variazione delle features nel tempo.
Mentre il processo di training è unico, la fase di decodifica consente la scelta tra diversi tipi di decoder. Nella fattispecie è stato scelto in un primo momento Sphinx3 per uniformarsi al decoder utilizzato dagli autori dell'articolo. Successivamente si è optato per il decoder Pocketsphinx per il prosieguo della tesi, essendo quest'ultimo più rapido nelle operazioni di riconoscimento e più adatto ad essere impiegato in un contesto applicativo di tipo real-time.
Sia Sphinx3 che Pocketsphinx effettuano il riconoscimento del parlato sulla base del modello probabilistico Hidden Markov Model (HMM), limitandosi a una topologia left-to-right a 3 o 5 stati.
Nei riconoscitori di parlato basati sui modelli HMM, ciascun fonema è rappresentato da un modello statistico (modello acustico) che descrive la distribuzione dei dati acustici. I parametri del modello acustico, che sono stimati a partire dai vettori di features nella fase di addestramento, vengono utilizzati durante la decodifica per assegnare un punteggio alle features estratte dal parlato che si vuole riconoscere. Questi punteggi indicano quanto sia probabile che un certo set di features appartenga al fonema del corrispondente modello acustico.