puheensegmentointia

Puheensegmentointi on prosessi, jolla jatkuva puhe jaetaan pienempiin yksiköihin, kuten sanoihin, foneemeihin tai sylabeihin. Se on keskeinen etappi puheentunnistuksessa ja muissa puheentutkimuksen sovelluksissa, joissa halutaan löytää puhepaneelien alku- ja lopetuskohdat sekä projektien avulla jäsennellä puhuttu teksti.

Tasoja ja tavoitteita voidaan tarkastella eri tasoina. Yleisintä on sanamäärien rajojen määritys, eli sanojen rajojen havaitseminen puheesta. Toisaalta voidaan suorittaa foneeminen tai sylabinen segmentointi, jossa puhe jaetaan pienempiin, äänteellisesti merkittäviin yksiköihin. Puheensegmentoinnin tarkkuus vaikuttaa suoraan puheentunnistuksen kokonaistehokkuuteen ja puheaktuaalisuuteen.

Menetelmät ovat kehittyneet perinteisistä tilastollisista malleista kohti end-to-end-neuroverkkoja. Varhaisissa järjestelmissä käytettiin piirteistettyjä akustisia malleja ja piilotettuja Markovin malleja, kun taas nykyisin yleisiä ovat yhteydelliset CTC- ja RNN-transduktorimallit sekä segmentaaliset mallit. Osa järjestelmistä hyödyntää yhteistä mallia sekä sanojen että foneemien rajojen oppimiseen.

Arviointi perustuu muun muassa boundary error rateen (BER), sanamärien virherajaan (WER) sekä foneemien virherajaan (PER) ja F1-pisteisiin. Haasteita ovat kielen morfologinen rikkominen, koartikaatio, puheen epäselvyys ja melu sekä resursoidut tai monikieliset ympäristöt. Erityisesti suomen kielessä agglutinaatio ja pitkät yhdyssanat lisäävät segmentoinnin vaikeutta. Puheensegmentointi yhdistetään usein suoraan puheentunnistuksen ja kieliteknologian kokonaisuuksiin.