A prototype of Thai speech recognition system for basic voice commanding

ระบบต้นแบบการรู้จำเสียงภาษาไทยสำหรับการสั่งงานด้วยเสียงขั้นพื้นฐาน

Name: Kriengkrai Nantanitikron

LCSH: Speech processing systems

LCSH: Computational linguistics

LCSH: Automatic speech recognition

Abstract: Most recent Thai speech recognition systems that have been continually researched often use feature extraction from Fourier transform based methods and some learning algorithm such as Artificial Neural Networks (ANN), Hidden Markov Models (HMM), and Linear Prediction Codes (LPC). This study presents a Thai speech recognition system based on Fourier transform and a set of filter banks as a feature extraction which is called double filter banks. The goal of this study was to develop a prototype of a real-time single-word Thai speech recognition system that can recognize some common Thai words. The study encompasses speech capturing, analog-to-digital conversion, automatic speech marking, identification of starting and ending points, pre-emphasis, speech feature extraction, speech feature matching, and displaying the output to user. The author creates an application to analyze a comprehensive set of speech data and created a multi-dimensional speech feature that includes speech achieving operations such as read, write, and load into the main memory in JAVA language. The system was evaluated for its accuracy and stability in performing various conditions. The accuracy was validated by an experiment with 9,000 speeches from several volunteers. The average accuracy rate is 94.6% in an offline test. Finally, the result shows that the evaluation was beyond satisfaction for every aspect

Abstract: งานวิจัยที่ค้นคว้าในเรื่องราวของการรู้จำเสียงหรือการรู้จำคำพูดภาษาไทยนั้น ได้มีการทำวิจัยต่อมาอย่างสืบเนื่อง โดยส่วนมากมักใช้ผลการแปลงฟูเรียร์เป็นพื้นฐานในคุณลักษณะของเสียง และทำการรู้จำหรือจัดกลุ่มต่ออีกครั้งโดยวิธีการนิวรอลเน็ตเวิร์คซึ่งเป็นวิธีที่นิยมกันมาก หรือโดยวิธีรูปแบบของฮิดเดนมาคอฟ ที่นำเอาคุณลักษณะมาออกแบบเป็นกฎในการรู้จำ หรือวิธีการพยากรณ์แบบเชิงเส้น ในส่วนของงานวิจัยนี้จะนำเสนอระบบต้นแบบการรู้จำเสียงภาษาไทยที่ดัดแปลงการจัดกลุ่มของเสียง โดยหาคุณลักษณะด้วยผลการแปลงฟูเรียร์ และผ่านกระบวนการฟิลเตอร์แบงก์ (Filter bank) จำนวน 2 ครั้ง ซึ่งเป็นวิธีที่ยังไม่มีผู้ใดทดลองทำมาก่อน ซึ่งจุดมุ่งหมายในการศึกษาระบบนี้ เพื่อพัฒนาระบบต้นแบบรู้จำเพื่อตรวจสอบคำพูดภาษาไทยว่าเป็นคำใด โดยระบบจะประกอบด้วยส่วนรับคำพูด ส่วนแปลงเป็นดิจิตอล ส่วนการค้นหาหัว-ท้ายคำ ส่วนการเร่งความถี่ ส่วนการเฟ้นหาคุณลักษณะของเสียง ส่วนการเปรียบเทียบคุณลักษณะของเสียง และส่วนแสดงผลลัพธ์ว่าคำพูดที่ตรวจสอบนั้นเป็นคำพูดใด ผู้วิจัยได้พัฒนาระบบนี้ ไม่ว่าจะเป็นส่วนต่างๆที่ใช้คำนวณข้อมูลที่ซับซ้อน การจัดเก็บข้อมูล เช่นคุณลักษณะของเสียงลงคอมพิวเตอร์ หรือกระทั่งการจัดการหน่วยความจำของคอมพิวเตอร์ ด้วยภาษาจาวา ระบบนี้ได้มีการประเมินโดยยึดความถูกต้องและความเสถียรในการทำงาน เพื่อทดสอบความถูกต้องเหมาะสมของส่วนต่างๆ จากการสอนระบบด้วยคำพูด 11,000 ตัวอย่าง และทดสอบด้วยคำพูด 20 คำ จำนวน 9,000 ตัวอย่างที่ไม่เคยสอน พบว่ามีความถูกต้องอยู่ที่ระดับ 94.6% ซึ่งแสดงให้เห็นว่าในทุกส่วนของระบบได้ผลการทำงานอยู่ในระดับที่ดี เป็นไปตามวัตถุประสงค์ที่กำหนดไว้

Mahidol University

Address: NAKHON PATHOM

Email: liwww@mahidol.ac.th

Name: Supachai Phaiboon

Role: Thesis Advisors

Created: 2008

Modified: 2021-01-25

Issued: 2009-11-26

วิทยานิพนธ์/Thesis

application/pdf

CallNumber: TH K92p 2008

eng

DegreeName: Master of Science

Level: Master's Degree

Descipline: Technology of Information System Management

Grantor: Mahidol University

©copyrights Mahidol University

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	4637194.pdf	1.69 MB

ใช้เวลา

0.404731 วินาที