Investigación sobre el modelo óptimo de aprendizaje profundo en el reconocimiento de dialectos HaiNan

Área de la Ciencia:

• Lingüística computacional
• Inteligencia artificial
• Procesamiento del habla

Sus antecedentes:

• El reconocimiento del habla en el dialecto HaiNan enfrenta desafíos debido a importantes variaciones fonológicas, entonacionales y gramaticales.
• La investigación actual está limitada por los recursos insuficientes del corpus, en particular para el reconocimiento de múltiples dialectos.
• Los modelos tradicionales luchan con la escasez de datos y las diversas características dialectales.

Objetivo del estudio:

• Para explorar modelos de aprendizaje profundo para la conversión del dialecto HaiNan al mandarín.
• Identificar el modelo óptimo de aprendizaje profundo para el reconocimiento del dialecto HaiNan.
• Proponer un modelo de fusión eficaz para el reconocimiento de múltiples dialectos.

Principales métodos:

• Aplicación de múltiples modelos de aprendizaje profundo.
• Un extenso análisis comparativo experimental.
• Desarrollo de un modelo de fusión que combina las Redes Neurales Convolucionales (CNN) y el Mecanismo de Autoatención de Múltiples Cabezas (MHAN).

Principales resultados:

• El modelo de fusión propuesto, ConvMHANet, demuestra un excelente rendimiento en diferentes escenarios dialectales.
• ConvMHANet aborda efectivamente las complejas dependencias fonéticas y contextuales dialectales.
• Se logró una precisión del 97,58% y una tasa de error de caracteres de 0,0163 en una tarea de mezcla de clasificación múltiple.

Conclusiones:

• ConvMHANet muestra fuertes capacidades de generalización para el reconocimiento de voz del dialecto HaiNan.
• El modelo de fusión ofrece una solución prometedora para las tareas de conversión de dialecto a mandarín.
• Esta investigación contribuye al avance del reconocimiento de voz para los dialectos de bajos recursos.