تشخیص حس وابسته به گویندة 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 حوزة 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 گویندة گفتار، شناسایی خودکار حالت احساسی یک یا چند گویندة 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 مرحلة 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 شبکة عصبی[iii]، آموزش داده شده اند. در نهایت، سه روش پیاده سازی شده با استفاده از پار ه گفتارهای احساسی دادة آزمون ارزیابی شده و دقت و صحت و بازخوانی آنها مشخص شده است. با مقایسة عملکرد سه روش دسته بند مشخص شد که بیشترین دقت برای گویندة مرد و زن به ترتیب مربوط به ماشین بردار پشتیبان (97 درصد) و شبکة عصبی (93 درصد) بوده است. این در حالی است که در آزمون انسانی صورت گرفته، میانگین دقت انسان در تشخیص حس پاره گفتارهای احساسی دادة 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)