Classification Automatique Des Consonnes Arrières Arabes En Vue De La Correction De La Substitution Phonémique
##plugins.themes.bootstrap3.article.sidebar##
##plugins.themes.bootstrap3.article.main##
Résumé
Dans cet article, nous présentons un système de classification automatique des consonnes arrières arabes [q][ɂ] et [x][ḥ]. Le but principal est de construire un système d'aide orthophonique pour les en fants algériens soufrant des problèmes de substitution phonémique fonctionnel. Ce système est une application de la Reconnaissance Automatique de la Parole (RAP) basé sur le Modèle de Markov Caché ou HMM (Hidden Markov Model). La paramétrisation des signaux de parole repose sur une représentation cepstrale utilisant les MFCC (Mel Frequency Cepstral Coefficients) avec ses dérivées premières et secondes. Une évaluation objective a été appliquée à notre travail. Cette dernière montre de bonnes performances, avec des Taux de Reconnaissance de 90 ,71% pour le son [q] et 91,71% pour le [x].
##plugins.themes.bootstrap3.article.details##
Références
[1] Abed, A. and Guerti, M., “Application des HMM à la substitution Phonémique dans l'Arabe Parlé”, Journées d'Etudes Algéro-Françaises de Doctorants en Si- gnal-Image & Applications, JEAFD'2012, Alger, 18-23, 2012. [2] Abed, A. and Guerti, M., "Errors Classi- fication of Phonemic Substitution in Ara134
bic Speech”, International Congress on
Telecommunication and Application’14. Bejaia, Algeria, 23-24 Apr 2014. [3] Amrouche, A., Debyeche, M., Ahmed, AT. Rouvaen, TM. and Yagoub, M.C.E,, "An efficient speech recognition system in adverse conditions using the non parametric regression”, Engineering Applications of Artificial Intelligence, Elsevier, 23: 85-94, 2010. [4] Kumari, R.S.S., Nidhyananthan, S.S. and
Anand, G., ”Fused mel feature sets based text-independent speaker identification using gaussian mixture model”, Elsevier Procedia Engineering, editor, International Conference on Communication Technology and System Design, 30: 319- 326, 2012. [5] Zeng, J., Duan, J. and Wu, C., "A new
distance measure for hidden markov models”, Expert Systems with Applica- tions, Elsevier, 37:1550-1555, 2010. [6] Bilmes, J.A., "A gentle Tutorial of the EM Algorithm and its applications to Parameter Estimation for Gaussian Mixture
and Hidden Markov Models”, Technical report, ICSI-TR-97-021, 1998. [7] Davis, S. P. and Mermelstein, P., "Com- parison of parametric representations for monosyllabic word recognition in contin- uously spoken sentences”, IEEE Transac- tions on Acoustics, Speech, and Signal Processing, 28: 357-366, 1980. [8] Hacine-Gharbi, A., “Sélection de para- mètres acoustiques pertinents pourla reconnaissance de la parole”, Thèse de doctorat, université de Sétif Algérie, 2012. [9] Haton, I.P., Cerisara, C., Fohr, D, Laprie,
Y. and Smaili, K., ”Reconnaissance au- tomatique de la parole : du signal à son interprétation”, Paris: Dunod, 2006. [10] Rabiner, LR. and Juan, B.H., “Funda- mentals of speech recognition”, Eng- lewood Cliffs, N.J., USA: Prentice Hall, 1993.