مدلسازی کشش زمانی واج در گفتار فارسی با استفاده از روش مارس

در این مقاله، کاربرد روش مارس برای مدلسازی کشش زمانی واج، در سیستم تبدیل متن به گفتار فارسی، ارائه م ی شود . کشش زمانی تحت تاثیر یکسری عوامل مانند، مشخصه واج، تکیه، موقعیت واج در هجا، کلمه و عبارت، قرار می گیرد. این عوامل، با یکدیگر در تعامل هستند و یک مدل خوب کشش زمانی، باید بتواند تعامل بین متغی ر هارا نیز در بر داشته باش د . بانکها ی داده ای گفتار ی معمولا مشکل داده های خلوت را دارند . مارس تکنیکی برای تخمین یک تابع با بعد بالا با داد ه های خلوت می باشد که از روی داد ه ها پارامتر ها و ساختار مدل را محاسبه م یکند و ت عامل بین متغیر ها را، به خوبی بدست می آورد. علاوه بر دقت بالای آن در ت خمین ، امکان تفسیر مدل را نیز دار د . در نتیجه اعمال مارس، مدلی با ضریب همبستگی ۸۶,۵۰ برای داده های آموزشی و ۸۰,۸۳ برای داده های تست بدست آم د . در این مقاله، کارایی مارس با شبکه عصبی مقایسه شده اس ت . بدین منظور، از شبکه عصبی چند لایه پرسپترونی با یک الگوریتم انتشار خطا به عقب، استفاده شده اس ت ، که مدلی با ضریب همبستگی ۸۴,۸۶ برای داده های آموزشی و ۸۰,۹۷ برای داده های تست، بدست آمد.

Keywords:

تبدیل متن به گفتار , کشش زمانی , روش مارس , شبکه عصبی چند لایه پرسپترون