DECOMPOSITION TEMPORELLE ET RUPTURES DE MODELES POUR LE DECODAGE ACOUSTICO-PHONETIQUE

des fonctions d'interpolation compactes {φk(n)}k=1..m,
n=1..N. Ces fonctions d'interpolation représentent le
support temporel de chaque événement acoustique et
1. INTRODUCTION
Bien que les performances des systèmes actuels de reconnaissance de la parole soient en progression, une avancée notoire n'est possible que par une amélioration importante du décodage acoustico-phonétique (DAP), car aucune des diverses méthodes proposées pour cette étape de décodage ne donne entière satisfaction. Cependant, certaines nous semblent complémentaires, et leur coopération devrait permettre de dépasser les limites actuelles du DAP. C'est pourquoi nous proposons suivant cette approche une première étude conjointe de la Décomposition Temporelle (DT) [1] et des Ruptures de Modèles (RM) [2]. Ces deux méthodes segmentent le signal de parole selon deux principes différents : la première méthode (DT) modélise l'évolution spectrale et permet la localisation de cibles acoustiques ; la seconde (RM) détecte les discontinuités du signal de nature également spectrale, afin de faire apparaître des zones transitoires et "quasi-stationnaires". Cette double analyse est donc particulièrement bien adaptée au signal vocal, dont on connait toute la complexité.
DAP, il est souhaitable que φk(n) représente l'influence du kième phonème dans la trajectoire spectrale, et que le vecteur gk correspondant représente ce phonème dans l'espace des paramètres. En raison de la nonlinéarité des transitions dans cet espace et des phénomènes asynchrones lors de la réalisation d'un phonème, des cibles appelées cibles de transition sont insérées. L'algorithme utilisé doit minimiser le nombre de cibles de transition tout en détectant le plus de phonèmes possible.
2.1. Décomposition Temporelle
La Décomposition Temporelle [1] décrit l'évolution
spectrale du signal de parole par un modèle
d'interpolation linéaire. Soit {yn}n=1..N une suite de N
vecteurs spectraux de dimension p, l'estimation yn* du
vecteur spectral yn est la combinaison linéaire de m
spectres discrets, les cibles {gk}k=1..m , pondérés par
Nous avons tout d'abord étudié les résultats respectifs des deux méthodes pour l'identification phonétique. Cette analyse a mis en évidence les taux d'insertion élevés de ces deux méthodes. Pour diminuer le taux d'insertion, nous avons intégré les deux méthodes en exploitant leur complémentarité. Cela a permis une augmentation du taux global de décodage et de sa fiabilité.
L'estimation des fonctions d'interpolation {φk(n)} se fait en détectant les déviations significatives de la trajectoire spectrale de {yn}. Pour trouver ces déviations, on cherche les projections représentatives de la trajectoire spectrale qui sont les plus similaires à une famille de fonctions {ω(n)} (cf. Figures 1 & 2). La mesure de similarité MS utilisée [5] entre les fonctions {φk(n)} et {ω(n)} est la suivante :
2. METHODES D'ANALYSE ET DE SEGMENTATION
Deux méthodes d'analyse du signal ont été étudiées. La Décomposition Temporelle étudie les déformations de la trajectoire spectrale pour localiser les principaux événements du signal de parole. Les Ruptures de Modèles sont fondées sur une étude statistique du signal, modélisant une suite de zones quasistationnaires par un modèle auto-régressif. Chacune de ces méthodes permet de définir une segmentation du signal de paiée représente sa caractéristique
spectrale.
Ainsi, l'estimation yn* du vecteur yn est la suivante :
y*n
=
m

g
k
φ
k
(n)
k=1
L'algorithme DT optimise le choix du nombre d'événements n, des vecteurs spectraux {gk} et des fonctions d'interpolation {φk(n)}. Le critère d'optimalité dépend de l'application choisie (e.g., codage[1], synthèse[3], reconnaissance[4]). Pour le
3IRISA - Centre INRIA de Rennes, Campus de Beaulieu, 35042 Rennes Cedex
Nous proposons dans cet article une amélioration du décodage acoustico-phonétique au moyen de la coopération de plusieurs méthodes d'analyse. Nous avons étudié deux méthodes a priori complémentaires : la Décomposition Temporelle et les Ruptures de Modèles. La Décomposition Temporelle modélise la trajectoire spectrale du signal de parole, tandis que les Ruptures de Modèles détectent les discontinuités du signal. Chaque méthode fournit sa propre segmentation du signal de parole. Ces segmentations ont été évaluées et comparées d'après des expériences de décodage acoustico-phonétique. En utilisant une paramétrisation MFCC du signal et un alignement dynamique entre les segments, chacune des méthodes donne un taux d'identification d'environ 80%, mais présente un taux élevé d'insertion (supérieur à 25%). La coopération des deux méthodes dans un système de décodage nous a permis d'obtenir un taux d'identification de 72% pour 7% d'insertion, et ainsi de corriger une grande partie des erreurs commises par chacune des méthodes.