Метод генерации обучающей выборки голосовых команд на основе технологии синтеза речи

Постановка проблемы. В настоящее время голосовое управление различными «умными» устройствами – очень востребованное направление не только в производственной сфере, но и в быту. Появление модулей, основанных на нейросетевых технологиях для распознавания звуковых команд, позволяет в значительной степени облегчить решение задач, связанных с дистанционным управлением различными устройствами, рассчитанными на широкий круг пользователей. При этом нейросетевые модули могут работать в автономном режиме и не требуют подключения к сети для обработки аудиоинформации с помощью других вычислительных устройств. Однако размер памяти данных модулей является ограниченным, а вероятность распознавания ими звуковых команд напрямую зависит от объема обучающей выборки с набором образцов исполняемых команд. В связи с этим возникает проблема, связанная с повышением вероятности распознавания нейросетевыми модулями голосовых команд.

Цель. Разработать метод генерации ограниченной по размеру обучающей выборки синтезированных голосовых команд с вариативностью произношения слов, различающихся по частоте, длительности, составу фонем и ударению в слове, который обеспечит повышение вероятности распознавания нейросетевыми модулями голосовых команд для неограниченного круга пользователей.

Результаты. Предложен метод генерации обучающей выборки синтезированных голосовых команд с вариативностью произношения слов, позволяющий повысить вероятность распознавания голосовых команд нейросетевыми модулями, а также скорость их обучения. Проведен сравнительный анализ вероятности распознавания голосовых команд до и после обучения нейросетевого модуля с помощью обучающей выборки синтезированных голосовых команд. Установлено, что современные нейросетевые модули способны хранить в памяти около десяти групп по восемь моделей голосовых команд в каждой. На основе разработанного метода генерации обучающей выборки синтезированных голосовых команд созданы обучающие голосовые модели, повышающие до 80% вероятность распознавания голосовых команд нейросетевым модулем.

Практическая значимость. Применение синтезированных моделей речи для обучения нейросетевых модулей позволяет автоматизировать процесс обучения, сократить время их обучения, а также в значительной степени повышает вероятность распознавания этими модулями голосовых команд. При этом увеличивается количество потенциальных пользователей, в том числе с дефектами речи.