基于扬声器的语言识别用于使用CRNN和混合特征的埃塞俄语系语言
Malefia Demilie Melese1, Amlakie Aschale Alemu2, Ayodeji Olalekan Salau3,4
1Department of Information Technology, Gafat Institute of Technology, Debre Tabor University, Debre Tabor, Ethiopia.
Network (Bristol, England)
|June 4, 2024
概括
本研究介绍了一种新的语言识别 (LID) 模型,用于使用混合卷积循环神经网络 (CRNN) 的以西米语语言. 该模型实现了高精度,证明了其在语音识别进步方面的有效性.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 计算语言学 计算语言学
背景情况:
- 自然语言处理 (NLP) 对于人机交互和语音识别至关重要.
- 语言识别 (LID) 是各种NLP应用程序的基础任务,包括翻译和信息检索.
- 埃塞俄-塞米特语言由于独特的语言特征,需要专门的LID模型.
研究的目的:
- 开发和评估一个语言识别 (LID) 模型,用于四种埃塞俄语系语言:阿姆哈拉语,Ge'ez,Guragigna和Tigrinya.
- 探索混合卷积循环神经网络 (CRNN) 方法的有效性,结合Mel频率 cepstral 系数 (MFCC) 和 mel 谱图特征.
- 评估数据增强对模型性能的影响.
主要方法:
- 混合卷积循环神经网络 (CRNN) 架构用于LID.
- 使用了Mel频率塞普斯特拉系数 (MFCC) 和mel谱图特征的组合.
- 应用了数据增强技术,将最初的8小时音频数据集扩展到24小时40分钟.
主要成果:
- 结合Mel-Spectrogram + MFCC特征集的CRNN模型在培训,验证和测试集中实现了高精度 (分别为99.9%,98.6%和98.1%).
- 与针对目标语言的现有LID模型相比,拟的模型显示出更高的性能.
- 数据增强显著提高了LID模型的稳定性和性能.
结论:
- 开发的基于CRNN的LID模型在区分埃塞俄语语言方面非常有效.
- 混合特征提取方法 (Mel-Spectrogram + MFCC) 与CRNN相结合,为低资源语言的识别提供了一个有希望的解决方案.
- 这项研究有助于推进代表性不足的语言家族的语音识别技术.
