تشخیص حس وابسته به گوینده گفتار فارسی با استفاده از ویژگی های آکوستیکی

بیان احساس در ارتباطات روزمره از جایگاه ویژه ای برخوردار است. از جمله بسترهای نمود احساس، گفتار است. از این رو، یکی از جنبه های مهم در طبیعی سازی ارتباط میان انسان و ماشین، تشخیص حس گفتار و تولید بازخورد متناسب با احساس درک شده است. باوجود پیشرفت های گسترده در حوزه پردازش گفتار، استخراج و درک احساس پنهان در گفتار انسان، همچون خشم، شادی و جز این ها، از یک سو و تولید گفتار احساسی مناسب از سوی دیگر، همچنان یکی از چالش های مهم برای ساخت ماشین های هوشمند محسوب می شود. در این مقاله، یک سیستم وابسته به گوینده برای تشخیص حس گفتار فارسی ارائه شده است. مراد از تشخیص حس وابسته به گوینده گفتار، شناسایی خودکار حالت احساسی یک یا چند گوینده خاص با استفاده از نمونه های گفتاری آنهاست. در طراحی سیستم معرفی شده، از روش های آماری استفاده شده است و معماری آن شامل دو بخش اصلی، استخراج ویژگی و آموزش مدل دسته‏بند می‏باشد. در مرحله استخراج ویژگی، 28 ویژگی آکوستیکی شامل اطلاعات مربوط به فرکانس گام، ساخت سه فرمنت اول و دامنه از نمونه‎ های گفتار احساسی دو گوینده (یک مرد و یک زن) به طور مجزا و به ازای شش حس متفاوت خشم، تنفر، ترس، شادی، غم و خنثی استخراج شده است. پس از تشکیل بردار ویژگی، سه روش دسته بند، شامل ماشین بردار پشتیبان[i]، k نزدیکترین همسایه[ii] و شبکه عصبی[iii]، آموزش داده شده اند. در نهایت، سه روش پیاده سازی شده با استفاده از پار ه گفتارهای احساسی داده آزمون ارزیابی شده و دقت و صحت و بازخوانی آنها مشخص شده است. با مقایسه عملکرد سه روش دسته بند مشخص شد که بیشترین دقت برای گوینده مرد و زن به ترتیب مربوط به ماشین بردار پشتیبان (97 درصد) و شبکه عصبی (93 درصد) بوده است. این در حالی است که در آزمون انسانی صورت گرفته، میانگین دقت انسان در تشخیص حس پاره گفتارهای احساسی داده آزمون 78 درصد و کمتر از دقت روش های دسته بند گزارش شده در سیستم پیاده‏سازی شده است. [i]. support vector machine (svm) [ii]. k-nearest neighbor (knn) [iii]. neural network (nn)