Modern general-purpose speech recog

Modern general-purpose speech recognition systems are based on Hidden Markov Models (HMM). HMM is a doubly stochastic process with an underlying stochastic process that is not observable (it is hidden), but can only be observed through another set of stochastic processes that produce the sequence of observed symbols [7], [8]. HMMs are statistical models that output a sequence of symbols or quantities, and are used in speech recognition because a speech signal can be viewed as a piecewise stationary signal or a short-time stationary signal. In a short time-scales (e.g., 10 milliseconds), speech can be approximated as a stationary process. Speech can be thought of as a Markov model for many stochastic purposes [9]. Another reason why HMMs are popular is because they can be trained automatically and are simple and computationally feasible to use. In speech recognition, the hidden Markov model would output a sequence of ndimensional real-valued vectors (with n being a small integer, such as 10), outputting one of these every 10 milliseconds. The vectors would consist of cepstral coefficients, which are obtained by taking a Fourier transform of a short time window of speech and decorrelating the spectrum using a cosine transform, then taking the first (most significant) coefficients. The hidden Markov model will tend to have in each state a statistical distribution that is a mixture of diagonal covariance Gaussians, which will give a likelihood for each observed vector

Results (Thai) 1:

ระบบการรู้จำเสียงวัตถุทันสมัยอยู่บนซ่อน Markov รุ่น (HMM) อืมมเป็นกระบวนการแบบเฟ้นสุ่มสองเหตุการณ์ ด้วยกระบวนการแบบเฟ้นสุ่มแบบที่ไม่ observable (ถูกซ่อนอยู่), แต่สามารถเท่านั้นสามารถสังเกตผ่านชุดของกระบวนการแบบเฟ้นสุ่มลำดับสังเกตสัญลักษณ์ [7], [8] ที่ อื่น แบบจำลองทางสถิติที่แสดงลำดับของสัญลักษณ์หรือปริมาณ และใช้ในการรู้จำเสียงได้เนื่องจากสัญญาณเสียงสามารถใช้เป็นเครื่องเขียน piecewise เป็น HMMs สัญญาณหรือสัญญาณกับเวลาสั้น ๆ ในเป็นเวลาสั้น ๆ เครื่องชั่งน้ำหนัก (เช่น 10 มิลลิวินาที), คำพูดสามารถเลียนแบบเป็นกระบวนการเครื่องเขียน เสียงสามารถคิดของเป็นแบบ Markov ประสงค์หลายสโทแคสติก [9] อีกเหตุผลที่ทำไม HMMs ได้รับความนิยมเป็น เพราะพวกเขาสามารถได้รับการอบรมโดยอัตโนมัติ และ มี computationally เป็นไปได้ที่จะใช้ ในการรู้จำเสียง แบบ Markov ซ่อนจะแสดงลำดับของมูลค่าจริง ndimensional vectors (มี n จะเป็นจำนวนเต็มเล็ก เช่น 10), แสดงผลหนึ่งเหล่านี้ทุกมิลลิวินาทีที่ 10 แบบเวกเตอร์จะประกอบด้วยค่าสัมประสิทธิ์ cepstral ซึ่งจะได้รับการแปลงฟูรีเยของหน้าต่างเวลาพูด และ decorrelating สเปกตรัมโดยใช้การแปลงโคไซน์ แล้ว ใช้สัมประสิทธิ์ (สำคัญสุด) ครั้งแรก แบบ Markov ซ่อนจะมีแนวโน้มจะ มีการกระจายทางสถิติที่ผสมผสานกันของความแปรปรวนร่วมของเส้นทแยงมุม Gaussians ซึ่งจะทำให้มีความเป็นไปได้สำหรับแต่ละเวกเตอร์สังเกต ในแต่ละรัฐ

Results (Thai) 2:

วัตถุประสงค์ทั่วไประบบรู้จำเสียงพูดที่ทันสมัย​​จะขึ้นอยู่กับรุ่นที่ซ่อนมาร์คอฟ (HMM) อืมเป็นกระบวนการสุ่มทวีคูณกับกระบวนการสุ่มพื้นฐานที่ไม่ได้ติดตาม (มันถูกซ่อนอยู่) แต่สามารถสังเกตได้เพียงผ่านชุดของกระบวนการสุ่มที่ผลิตลำดับของสัญลักษณ์ที่สังเกตอีก [7] [8] HMMs เป็นแบบจำลองทางสถิติว่าการส่งออกลำดับของสัญลักษณ์หรือปริมาณและจะใช้ในการรู้จำเสียงพูดเพราะสัญญาณเสียงพูดสามารถดูเป็นค่สัญญาณที่หรือเวลาสั้นสัญญาณนิ่ง ในระยะสั้นเครื่องชั่งเวลา (เช่น 10 มิลลิวินาที), คำพูดที่สามารถประมาณเป็นกระบวนการนิ่ง คำพูดอาจจะคิดว่าเป็นแบบมาร์คอฟเพื่อวัตถุประสงค์ในการสุ่มจำนวนมาก [9] เหตุผลที่ว่าทำไม HMMs เป็นที่นิยมก็คือเพราะพวกเขาสามารถได้รับการอบรมโดยอัตโนมัติและมีความเรียบง่ายและการคำนวณความเป็นไปได้ที่จะใช้ ในการรับรู้คำพูดแบบมาร์คอฟที่ซ่อนอยู่จะส่งออกลำดับของเวกเตอร์จริงมูลค่า ndimensional (มี n เป็นจำนวนเต็มขนาดเล็กเช่น 10), แสดงผลอย่างใดอย่างหนึ่งของทุกเหล่านี้ 10 มิลลิวินาที เวกเตอร์จะประกอบด้วยค่าสัมประสิทธิ์ Cepstral ซึ่งจะได้รับโดยการแปลงฟูริเยร์ของหน้าต่างเวลาสั้นในการพูดและ decorrelating สเปกตรัมโดยใช้โคไซน์เปลี่ยนแล้วการครั้งแรก (ที่สำคัญที่สุด) ค่าสัมประสิทธิ์ ที่ซ่อนอยู่ในรูปแบบมาร์คอฟจะมีแนวโน้มที่จะมีในแต่ละรัฐกระจายสถิติที่เป็นส่วนผสมของความแปรปรวนเส้นทแยงมุม Gaussians ซึ่งจะให้โอกาสสำหรับแต่ละเวกเตอร์สังเกต

Results (Thai) 3:

ที่ทันสมัยระบบการรู้จำเสียงพูดเอนกประสงค์โดยใช้แบบจำลองฮิดเดนมาร์คอฟ ( อืม ) อืม คือ กระบวนการ stochastic ทวีคูณกับต้นแบบกระบวนการ stochastic ที่ไม่ได้สังเกต ( มันซ่อนอยู่ที่ไหน แต่สามารถสังเกตได้จากชุดอื่นของนัยน์เนตรที่ผลิตลำดับสังเกตสัญลักษณ์ [ 7 ] , [ 8 ]hmms เป็นแบบจำลองทางสถิติที่แสดงลำดับของสัญลักษณ์หรือปริมาณและใช้ในการรู้จำเสียงพูด เพราะเสียงสัญญาณจะถูกมองว่าเป็นสัญญาณหรือเครื่องเขียนเครื่องเขียนเป็นช่วงระยะสั้นสัญญาณ ในเวลาอันสั้นเกล็ด ( เช่น 10 มิลลิวินาที ) , การพูดสามารถประมาณค่าเป็นกระบวนการที่นิ่ง คำพูดสามารถคิดเป็นแบบจำลองมาร์คอฟเพื่อสุ่มหลาย [ 9 ]อีกเหตุผลที่ hmms เป็นที่นิยมเพราะพวกเขาสามารถฝึกฝนได้โดยอัตโนมัติและจะง่ายและ computationally เป็นไปได้ที่จะใช้ ในการรู้จำเสียงพูด , แบบจำลองฮิดเดนมาร์คอฟ ซึ่งจะแสดงผลลำดับ ndimensional จริงมูลค่าเวกเตอร์ ( n เป็นจำนวนเต็มขนาดเล็กเช่น 10 ) , การสร้างหนึ่งของเหล่านี้ทุก 10 มิลลิวินาที เวกเตอร์ของสัญญาณเซปส์ตรัมจะต้องมีสัมประสิทธิ์ซึ่งจะได้รับโดยการใช้ฟูเรียร์ของหน้าต่างในช่วงเวลาสั้น ๆของการพูด และต่อไปสเปกตรัมใช้โคไซน์แปลงแล้วเอาก่อน ( สำคัญมาก ) ค่าสัมประสิทธิ์ แบบจำลองฮิดเดนมาร์คอฟ ซึ่งจะมีแนวโน้มที่จะมีในแต่ละรัฐมีการกระจายทางสถิติที่เป็นส่วนผสมของเส้นทแยงมุมร่วม gaussians ซึ่งจะให้โอกาสสำหรับแต่ละสังเกตเวกเตอร์