LSTM-Based Speech Recognition for Assamese: A Low-Resource Language Approach

Resumen Técnico: Reconocimiento de Voz Basado en LSTM para el Asamés: Un Enfoque para una Lengua de Bajos Recursos

Planteamiento del Problema
Los sistemas de reconocimiento de voz han avanzado significativamente para las lenguas principales, sin embargo, las lenguas del noreste de la India, particularmente el asamés, permanecen poco exploradas. El asamés se caracteriza como una lengua de bajos recursos con datos lingüísticos computacionales limitados. La investigación existente sobre el procesamiento del habla en asamés suele depender de métodos tradicionales (por ejemplo, Modelos Ocultos de Márkov) o se centra en representaciones de características limitadas, careciendo de un análisis exhaustivo a nivel de vocales. Además, la integración de múltiples características acústicas para mejorar el rendimiento del reconocimiento en tales contextos de bajos recursos sigue siendo un desafío abierto. Este estudio aborda la brecha en el desarrollo de un sistema de reconocimiento de voz eficiente específicamente para las vocales del asamés utilizando técnicas de aprendizaje profundo.

Metodología
El enfoque propuesto utiliza una red de Memoria a Largo Corto Plazo (LSTM, por sus siglas en inglés), una arquitectura especializada de Redes Neuronales Recurrentes (RNN) diseñada para superar el problema del desvanecimiento del gradiente y aprender dependencias temporales de largo plazo en datos secuenciales.

• Conjunto de Datos: Los autores curaron un conjunto de datos propio que comprende 1,760 muestras de vocales. Los datos fueron recolectados de 22 hablantes (14 hombres, 8 mujeres) de la comunidad asamesa. Cada una de las ocho vocales distintas del asamés fue grabada 10 veces por hablante. El conjunto de datos se dividió en conjuntos de entrenamiento (70%), prueba (15%) y validación (15%).
• Extracción de Características: Para mejorar la representación del habla, el estudio integra tres características acústicas distintas:
  1. Coeficientes Cepstrales en la Frecuencia de Mel (MFCC): 13 coeficientes (12 MFCC + 1 de energía) basados en la percepción de tono no lineal del sistema auditivo humano.
  2. Energía de Corto Plazo (STE): Mide la energía presente en un segmento de tiempo específico de la señal.
  3. Tasa de Cruce por Cero (ZCR): Cuenta el número de veces que la señal cambia de signo dentro de un cuadro, distinguiendo entre señales con voz y sin voz.
     Estas características se combinaron en un vector de características de 15 dimensiones (1 STE + 1 ZCR + 13 MFCC).
• Arquitectura del Modelo: El modelo LSTM consta de una capa de entrada, una capa oculta con 64 unidades LSTM y una capa de salida totalmente conectada con unidades correspondientes a las ocho clases de vocales. La capa de salida utiliza una función de activación SoftMax.
• Configuración del Entrenamiento: El modelo fue entrenado durante 60 épocas con un tamaño de lote de 32. Se utilizó la función de pérdida de Entropía Cruzada Categórica, optimizada mediante el optimizador Adam con una tasa de aprendizaje de 0.001.

Contribuciones Clave
El artículo describe cinco contribuciones primarias:

1. Desarrollo de un conjunto de datos de voz de vocales en asamés, equilibrado y curado por los propios autores.
2. Integración de las características MFCC, STE y ZCR para crear una representación de voz robusta.
3. Diseño e implementación de un modelo de reconocimiento basado en LSTM adaptado para la lengua asamesa.
4. Evaluación comparativa contra modelos de aprendizaje profundo existentes (BLSTM y SincConv+DSConv).
5. Análisis de la degradación del rendimiento causada por las similitudes fonéticas entre vocales específicas del asamés.

Resultados
El sistema fue evaluado utilizando Precisión, Exhaustividad (Recall), F1-Score, Exactitud y Tasa de Error de Palabra (WER).

• Rendimiento General: El modelo logró una exactitud de clasificación promedio del 95%, con una Precisión promedio del 84%, Exhaustividad del 83% y un F1-Score del 83%. La Tasa de Error de Palabra (WER) promedio fue del 18.60%.
• Análisis por Clase: Se observó una alta exactitud (99%) para las vocales /aa/ y /ea/. Sin embargo, el rendimiento disminuyó para las vocales /u/, /o/ y /a'/ (representadas como 'oo' y 'ow' en el texto), mostrando menores valores de Precisión, Exhaustividad y F1-Score.
• Análisis de Errores: Los autores atribuyen las mayores tasas de clasificación errónea y la elevada WER para ciertas vocales a sus similitudes fonéticas. Los espectrogramas de /u/, /a'/ y /o/ revelaron movimientos de formantes casi similares, lo que provocó confusión en el modelo y un aumento en los errores de sustitución.
• Rendimiento Comparativo: Al compararse con los modelos existentes (BLSTM y SincConv+DSConv) utilizando el mismo conjunto de características, el modelo LSTM propuesto demostró un rendimiento superior, logrando un 95% de exactitud frente al 93.4% y 92% respectivamente, y una menor WER (18.60% frente a 19.40% y 20.30%).

Significancia y Reivindicaciones
Los autores posicionan este trabajo como un paso fundacional hacia la preservación y el desarrollo de las tecnologías de la lengua asamesa. Al demostrar que la combinación de características acústicas estándar y redes LSTM puede lograr una alta exactitud (95%) incluso con un conjunto de datos relativamente pequeño y curado por ellos mismos, el estudio valida la viabilidad del aprendizaje profundo para lenguas de bajos recursos.

El artículo reconoce modestamente sus limitaciones, señalando que el pequeño tamaño del conjunto de datos puede afectar la generalización y que el alcance actual se limita al reconocimiento de vocales aisladas. Los autores enfatizan que, si bien la exactitud de clasificación es alta, la WER sigue siendo un desafío debido a las ambigüedades fonéticas inherentes al idioma. Concluyen que este trabajo proporciona una base para futuras mejoras, sugiriendo que conjuntos de datos más grandes, arquitecturas avanzadas y técnicas de optimización podrían mejorar aún más las tasas de reconocimiento para el habla continua y la detección de palabras clave.