Applied Speech and Audio Processing: With matlab examples

Automatic speech recognition (ASR) describes a system that can recognise speech
without additional user input.
Continuous speech recognition describes a speech recognition system that can recog-
nise continuous sentences of speech. In theory this would not require a user to
pause when speaking, and would include dictation and transcription systems. The
alternative is a discrete word recognition system, used primarily for handling
vocal commands, that recognises single words delimited by pauses.
Natural language processing (NLP), whilst not strictly limited to speech, describes
the computational methods needed for a computer to understand the meaning of
what is being said, rather than simply knowing what words have been said. For
an automated transcription system, the meaning may be irrelevant, but to create a
virtual butler able to cater to human needs, the meaning of what is said would be
important.
In general, we will consider primarily the case of discrete word recognisers, since this
is a lower-level recognition task, closer to the physical parameters being analysed.
7.5.2
Speech recognition performance
Established researcher Victor Zue and colleagues have identified several parameters that
can be used to characterise speech recognition systems and their performance (given in
Section 1.2 of a wide-ranging survey report [16]). Based upon this work, Table 7.1 lists
several characteristic parameters of these systems.

---

7.5. Speech recognition
175
Table 7.1. Speech recognition system parameters.
Parameter
Typical range
Speech type
Single words–continuous sentences
Training
In advance–continuous
Users
Single–open access
Vocabulary
Small–large
SNR
Low–high
Transducer
Restricted–unrestricted
Many, if not all, recognition systems require some form of training which acclimatises
the system, either to the speech of a particular individual, or to a group of individuals. This
can be accomplished in advance where the speaker (or speakers) are known, or otherwise
could be an ‘on-line’ gradual training during operation. The question of whether the
system has been designed to operate for single users, small groups, or for unrestricted
users evidently impacts the training methods employed. Of each of these parameters
so far, a single word, pre-trained, single user system, is by far the simplest system to
design with reasonable accuracy. Any deviation from this simple combination will incur
a penalty in terms of either design complexity, reduced accuracy, or both. Recognisers
that use rules of syntax, perhaps some sort of artificial grammar, might well benefit
from being supplied with continuous speech, but by and large, single words are easier
to recognise.
In terms of vocabulary size, it is reasonable to assume that the larger the vocabulary,
the more difficulty any system will have in accurately detecting a word. In fact, the
same is true for human speech. Figure 7.4 shows a plot resulting from a re-examination
of the data shown in Figure 3.6 (Section 3.3.4), which itself is derived from experi-
mental results obtained over half a century ago by Miller et al. [17]. This figure plots
results for various signal-to-noise ratios of speech, as heard by human listeners, and
excludes the extreme accuracy points above 85% or below 20% when other effects
such as saturation come into play. The ‘recognition accuracy’ or articulation index is
plotted against the logarithm of the vocabulary size, showing a clearly logarithmic
relationship.
In fact, the logarithmic relationship has been shown to be present in some of the
largest variable-vocabulary recognisers, such as the famous Bellcore telephone directory
assistance system [18].
It should be noted that the continuous speech recognition research field also includes
topic-specific recognisers, which are trained with a vocabulary of subject-specific words
(such as a recognition system aimed at understanding medical terminology, or one trained
on legal terminology). Another subset in the research field is systems which can attempt
to determine the topic of speech under analysis, and switch to the appropriate vocabulary
database as required.

---

176