Traitement de la parole

Le traitement de la parole est l'étude des signaux de parole et des méthodes de traitement des signaux. Les signaux sont généralement traités dans une représentation numérique , de sorte que le traitement de la parole peut être considéré comme un cas particulier de traitement numérique du signal , appliqué aux signaux de parole . Les aspects du traitement de la parole comprennent l'acquisition, la manipulation, le stockage, le transfert et la sortie des signaux de parole. Les différentes tâches de traitement de la parole comprennent la reconnaissance vocale , la synthèse vocale , la diarisation du locuteur , l'amélioration de la parole , la reconnaissance du locuteur , etc.

Les premières tentatives de traitement et de reconnaissance de la parole se concentraient principalement sur la compréhension d'une poignée d' éléments phonétiques simples tels que les voyelles. En 1952, trois chercheurs des Bell Labs, Stephen Balashek, R. Biddulph et KH Davis, ont développé un système capable de reconnaître les chiffres prononcés par un seul locuteur. Des travaux pionniers dans le domaine de la reconnaissance de la parole utilisant l'analyse de son spectre ont été rapportés dans les années 1940.

Le codage prédictif linéaire (LPC), un algorithme de traitement de la parole, a été proposé pour la première fois par Fumitada Itakura de l'Université de Nagoya et Shuzo Saito de Nippon Telegraph and Telephone (NTT) en 1966. D'autres développements de la technologie LPC ont été réalisés par Bishnu S. Atal et Manfred R. Schroeder aux Bell Labs dans les années 1970. Le LPC était la base de la technologie de la voix sur IP (VoIP), ainsi que des puces de synthèse vocale , telles que les puces vocales LPC de Texas Instruments utilisées dans les jouets Speak & Spell de 1978.

L'un des premiers produits de reconnaissance vocale commercialisés fut Dragon Dictate, sorti en 1990. En 1992, la technologie développée par Lawrence Rabiner et d'autres chercheurs des Bell Labs fut utilisée par AT&T dans son service de traitement des appels par reconnaissance vocale pour acheminer les appels sans opérateur humain. À ce stade, le vocabulaire de ces systèmes était plus étendu que le vocabulaire humain moyen.

Au début des années 2000, la stratégie dominante de traitement de la parole a commencé à s'éloigner des modèles de Markov cachés vers des réseaux neuronaux plus modernes et l'apprentissage profond .

En 2012, Geoffrey Hinton et son équipe de l' Université de Toronto ont démontré que les réseaux neuronaux profonds pouvaient largement surpasser les systèmes traditionnels basés sur HMM dans les tâches de reconnaissance vocale continue à vocabulaire étendu. Cette avancée a conduit à l'adoption généralisée des techniques d'apprentissage profond dans l'industrie.

Au milieu des années 2010, des entreprises comme Google , Microsoft , Amazon et Apple avaient intégré des systèmes avancés de reconnaissance vocale dans leurs assistants virtuels tels que Google Assistant , Cortana , Alexa et Siri . Ces systèmes utilisaient des modèles d'apprentissage profond pour fournir des interactions vocales plus naturelles et plus précises.

Le développement de modèles basés sur Transformer, comme BERT (Bidirectionnel Encoder Representations from Transformers) de Google et GPT (Generative Pre-trained Transformer) d'OpenAI, a repoussé les limites du traitement du langage naturel et de la reconnaissance vocale. Ces modèles ont permis une compréhension plus sensible au contexte et plus riche sémantiquement de la parole. Ces dernières années, les modèles de reconnaissance vocale de bout en bout ont gagné en popularité. Ces modèles simplifient le pipeline de reconnaissance vocale en convertissant directement l'entrée audio en sortie texte, en contournant les étapes intermédiaires telles que l'extraction de caractéristiques et la modélisation acoustique. Cette approche a rationalisé le processus de développement et amélioré les performances.

La déformation temporelle dynamique (DTW) est un algorithme de mesure de la similarité entre deux séquences temporelles , dont la vitesse peut varier. En général, DTW est une méthode qui calcule une correspondance optimale entre deux séquences données (par exemple, des séries temporelles) avec certaines restrictions et règles. La correspondance optimale est désignée par la correspondance qui satisfait toutes les restrictions et les règles et qui a le coût minimal, où le coût est calculé comme la somme des différences absolues, pour chaque paire d'indices appariés, entre leurs valeurs.

Un modèle de Markov caché peut être représenté comme le réseau bayésien dynamique le plus simple . Le but de l'algorithme est d'estimer une variable cachée x(t) à partir d'une liste d'observations y(t). En appliquant la propriété de Markov , la distribution de probabilité conditionnelle de la variable cachée x ( t ) à l'instant t , étant donné les valeurs de la variable cachée x à tout instant, ne dépend que de la valeur de la variable cachée x ( t −1). De même, la valeur de la variable observée y ( t ) ne dépend que de la valeur de la variable cachée x ( t ) (les deux à l'instant t ).

Un réseau neuronal artificiel (RNA) est basé sur un ensemble d'unités ou de nœuds connectés appelés neurones artificiels , qui modélisent vaguement les neurones d'un cerveau biologique . Chaque connexion, comme les synapses d'un cerveau biologique , peut transmettre un signal d'un neurone artificiel à un autre. Un neurone artificiel qui reçoit un signal peut le traiter puis envoyer un signal aux neurones artificiels supplémentaires qui lui sont connectés. Dans les implémentations RNA courantes, le signal au niveau d'une connexion entre des neurones artificiels est un nombre réel , et la sortie de chaque neurone artificiel est calculée par une fonction non linéaire de la somme de ses entrées.

La phase est généralement supposée être une variable uniforme aléatoire et donc inutile. Cela est dû au fait que la phase est enroulée : le résultat de la fonction arctangente n'est pas continu en raison de sauts périodiques sur . Après le déballage de la phase (voir, Chapitre 2.3 ; Phase et fréquence instantanées ), elle peut être exprimée comme : , où est la phase linéaire ( est le décalage temporel à chaque image d'analyse), est la contribution de phase du conduit vocal et la source de phase. Les estimations de phase obtenues peuvent être utilisées pour la réduction du bruit : lissage temporel de la phase instantanée et ses dérivées par le temps ( fréquence instantanée ) et la fréquence ( retard de groupe ), lissage de la phase en fonction de la fréquence. Les estimateurs d'amplitude et de phase joints peuvent récupérer la parole avec plus de précision en se basant sur l'hypothèse de la distribution de phase de von Mises.

• Réponse vocale interactive
• Assistants virtuels
• Identification vocale
• Reconnaissance des émotions
• Automatisation du centre d'appels
• Robotique