Applied Speech and Audio Processing: With matlab examples

7.5. Speech recognition
179
Sphinx-4, in common with most current ASR implementations, relies upon hidden
Markov models to match speech features to stored patterns. It is highly configurable,
and incredibly flexible – the actual feature used can be selected as required. However
the one that is most commonly extracted and used for pattern matching purposes is the
Mel-Frequency Cepstral Coefficient (MFCC) [19].
This flexibility extends to the pre-processing sections, the ‘FrontEnd’where a selection
of several different filters and operations can be performed singly or chained together,
and also to the so-called ‘Linguist’ which is a configurable module containing a language
model, acoustic model and dictionary. The linguist is responsible for consulting these
based upon a particular feature vector, and determining which subset of stored patterns
are compared with a particular feature vector under analysis.
Sphinx-4 has been tested extensively using industry-standard databases of recorded
speech, which are commonly used by ASR researchers to compare the performance of
systems. Accuracy rates of over 98% are possible for very small vocabularies (with
a response time of 20 ms), over 97% for a 1000 word vocabulary (in 400 ms), and
approximately 81% for a 64 000-word vocabulary (below 4 s) [19]. These figures are
assumed to be for high SNR cases.
7.5.4
Some basic difficulties
Although we have looked at the main parameters related to speech recognition, there are
several issues that speech recognition systems in general need to cope with. These may
include:
Voice activity detection (VAD), also known as a voice operated switch (VOS) is a
device able to detect the presence of speech. It would serve no purpose for an ASR
system to attempt the computationally intensive task of trying to recognise what
is being said when no speech is present, and thus the ability to accurately detect
speech is required. However this is not a trivial task, and is in fact a research area
in its own right.
Segmentation of speech into smaller units is often required in processing systems.
Whilst this is generally based on fixed size analysis frames when performing
general audio processing (see Section 2.4), in ASR systems, segmentation into
words, or even into phonemes, may be required. Again, this is non-trivial, and
is not simply a matter of searching for gaps within continuous speech, since the
gaps between words or sentences may on occasion be shorter than the gaps within
words.
Word stress can be very important in determining the meaning of a sentence, and
although it is not captured in the written word, is widely used during vocal com-
munications. As an example, note the written sentence ‘He said he did not eat this’
and consider the variations in meaning represented by stressing different words: