ความก้าวหน้าของการพัฒนา ระบบระบุผู้พูดภาษาไทย Thai Language Speaker Identification System: Development Progress ชัย วุฒิวิวัฒน์ชัย, สุทัศน์ แซ่ตั้ง และวารินทร์ อัจฉริยะกุลพร คณะนักวิจัยและพัฒนาระบบระบุผู้พูดสำหรับภาษาไทย ฝ่ายกลุ่มวิจัยและพัฒนาเทคโนโลยีสารสนเทศ ศูนย์เทคโนโลยีอิเล็กทรอนิกส์และคอมพิวเตอร์แห่งชาติ สำนักงานพัฒนาวิทยาศาสตร์และเทคโนโลยีแห่งชาติ

ขอบเขตของงาน Speaker Identification Text Dependent (Fixed Text) Closed Set System Office Environment Speaker Identification Speaker Verification Text Dependent (Fixed Text) Text Independent (Free Text) Closed Set System Open Set System Office Environment Telephone Environment

Speaker Identification System (SID) 16-bit Quantization 11025-Hz Sampling Rate Digital Filtering Endpoint Detection Time Normalization Preemphasis Frame Blocking Smoothing Window Feature Analysis

การทดลองขั้นต้น • ผู้พูดจำนวน 20 คน (ชาย 11 หญิง 9) • ผู้พูดจำนวน 20 คน (ชาย 11 หญิง 9) • พูดตัวเลขละ 10 ครั้ง/สัปดาห์ 5 สัปดาห์ Train: สัปดาห์ที่ 1-3, Test: สัปดาห์ที่ 4-5 • 10-order Linear Prediction Coefficient (LPC) • Artificial Neural Network (ANN): Multilayer Perceptron (MLP) & Backpropagation Algorithm Euclidean Distance & Maximum Likelihood Dynamic Time Warping (DTW) & K-Nearest Neighbor (KNN)

การทดลองเกี่ยวกับ Recognition Engine: ANN • ผู้พูดจำนวน 20 คน (ชาย 11 หญิง 9) • 15-order Linear Prediction Derived Cepstrum (LPCC) • ANN: Normal Input Feeding (1 Net/All Speakers) Window Input Feeding (1 Net/Speaker)

การทดลองเกี่ยวกับ Recognition Engine: DTW การเทียบเคียงด้วยการเติมค่า 0 ต่อท้ายเสียง ที่สั้นกว่าให้ผลดีและใช้เวลาน้อยที่สุด 84.53% 71.32% 84.29% • ผู้พูดจำนวน 50 คน (ชาย 30 หญิง 20) • 15-order LPCC เสียงอ้างอิงจำนวน 20 เสียง พอเพียง สำหรับระบบระบุผู้พูด 50 คน • ผู้พูดจำนวน 50 คน (ชาย 30 หญิง 20) • 15-order LPCC • Train : 30 เสียง 20 เสียง 10 เสียง 84.53% 84.61% 82.26%

การทดลองเกี่ยวกับ Speech Feature • ผู้พูดจำนวน 20 คน (ชาย 11 หญิง 9) • 10 & 15-order LPC & LPCC • DTW + KNN

ณ ปัจจุบัน

การทดลองอื่นๆ • ผู้พูดจำนวน 20 คน (ชาย 30 หญิง 20) • 15-order LPCC SOLA ให้ผลดีกว่า Interpolation ควรหลีกเลี่ยงการใช้ Time Normalization • ผู้พูดจำนวน 20 คน (ชาย 30 หญิง 20) • 15-order LPCC • ANN (MLP+Backpropagation) • Time Normalization : Interpolation & SOLA เสียงวรรณยุกต์ผสม ให้ผลดีที่สุด เสียงวรรณยุกต์ประเภท Dynamic (โท, จัตวา) ให้ผลดีกว่าเสียงวรรณยุกต์ประเภท Static (สามัญ, เอก, ตรี) • ผู้พูดจำนวน 9 คน (ชาย 5 หญิง 4) • 10-order LPC • ANN (MLP+Backpropagation) • คำพูดที่ใช้ : สามัญ เอเอเอเอเอ เอก เอ่เอ่เอ่เอ่เอ่ โท เอ้เอ้เอ้เอ้เอ้ ตรี เอ๊เอ๊เอ๊เอ๊เอ๊ จัตวา เอ๋เอ๋เอ๋เอ๋เอ๋ ผสม เอ๋เอ่เอ้เอ๊เอ๋

บทสรุป • ระบบระบุผู้พูดจำนวน 50 คน • ใช้กับเสียง ตัวเลข 0-9 • ระบบระบุผู้พูดจำนวน 50 คน • ใช้กับเสียง ตัวเลข 0-9 • อัตราการระบุผู้พูด 92.3% สำหรับเสียงเลข “5” • อัตราการระบุผู้พูดมากกว่า 98% สำหรับเสียงเลขต่อกัน 3 ตัว • ขาดแคลนฐานข้อมูลขนาดใหญ่ที่เป็นมาตรฐาน • DTW ซึ่งให้ผลดีที่สุดในปัจจุบัน ยังใช้เวลาในการระบุผู้พูดนานมาก • พัฒนาต่อเนื่องไปยังระบบที่ใช้กับเสียงผ่านสายโทรศัพท์

Demonstration