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

Resumo Técnico: Reconhecimento de Fala Baseado em LSTM para o Assamês: Uma Abordagem para uma Língua de Baixos Recursos

Declaração do Problema
Os sistemas de reconhecimento de fala avançaram significativamente para as principais línguas, mas as línguas do Nordeste da Índia, particularmente o assamês, permanecem subexploradas. O assamês é caracterizado como uma língua de baixos recursos, com dados linguísticos computacionais limitados. As pesquisas existentes sobre o processamento de fala em assamês frequentemente dependem de métodos tradicionais (por exemplo, Modelos Ocultos de Markov) ou focam em representações de características limitadas, carecendo de uma análise abrangente ao nível das vogais. Além disso, a integração de múltiplas características acústicas para melhorar o desempenho do reconhecimento em tais contextos de baixos recursos permanece um desafio em aberto. Este estudo aborda a lacuna no desenvolvimento de um sistema de reconhecimento de fala eficiente especificamente para as vogais do assamês usando técnicas de aprendizado profundo.

Metodologia
A abordagem proposta utiliza uma rede Long Short-Term Memory (LSTM), uma arquitetura especializada de Redes Neurais Recorrentes (RNN) projetada para superar o problema do desaparecimento do gradiente e aprender dependências temporais de longo prazo em dados sequenciais.

• Conjunto de Dados: Os autores curaram um conjunto de dados autodesenvolvido compreendendo 1.760 amostras de vogais. Os dados foram coletados de 22 falantes (14 homens, 8 mulheres) da comunidade assamesa. Cada uma das oito vogais distintas do assamês foi gravada 10 vezes por falante. O conjunto de dados foi dividido em conjuntos de treinamento (70%), teste (15%) e validação (15%).
• Extração de Características: Para melhorar a representação da fala, o estudo integra três características acústicas distintas:
  1. Coeficientes Cepstrais de Frequência Mel (MFCC): 13 coeficientes (12 MFCC + 1 energia) baseados na percepção de tom não linear do sistema auditivo humano.
  2. Energia de Curto Prazo (STE): Mede a energia presente em um segmento de tempo específico do sinal.
  3. Taxa de Cruzamento de Zero (ZCR): Conta o número de vezes que o sinal muda de sinal dentro de um quadro, distinguindo entre sinais sonoros e surdos.
     Essas características foram combinadas em um vetor de características de 15 dimensões (1 STE + 1 ZCR + 13 MFCC).
• Arquitetura do Modelo: O modelo LSTM consiste em uma camada de entrada, uma camada oculta com 64 unidades LSTM e uma camada de saída totalmente conectada com unidades correspondentes às oito classes de vogais. A camada de saída utiliza uma função de ativação SoftMax.
• Configuração de Treinamento: O modelo foi treinado por 60 épocas com um tamanho de lote (batch size) de 32. A função de perda de Entropia Cruzada Categórica foi utilizada, otimizada via otimizador Adam com uma taxa de aprendizado de 0,001.

Principais Contribuições
O artigo descreve cinco contribuições primárias:

1. Desenvolvimento de um conjunto de dados de fala de vogais do assamês equilibrado e autocurado.
2. Integração das características MFCC, STE e ZCR para criar uma representação de fala robusta.
3. Design e implementação de um modelo de reconhecimento baseado em LSTM adaptado para a língua assamesa.
4. Avaliação comparativa contra modelos de aprendizado profundo existentes (BLSTM e SincConv+DSConv).
5. Análise da degradação de desempenho causada por semelhanças fonéticas entre vogais assamesas específicas.

Resultos
O sistema foi avaliado utilizando Precisão, Recall, F1-Score, Acurácia e Taxa de Erro de Palavra (WER).

• Desempenho Geral: O modelo alcançou uma acurácia de classificação média de 95%, com uma Precisão média de 84%, Recall de 83% e F1-Score de 83%. A Taxa de Erro de Palavra (WER) média foi de 18,60%.
• Análise por Classe: Alta acurácia (99%) foi observada para as vogais /aa/ e /ea/. No entanto, o desempenho degradou para as vogais /u/, /o/ e /a/' (representadas como 'oo' e 'ow' no texto), mostrando menores Precisão, Recall e F1-Scores.
• Análise de Erro: Os autores atribuem as maiores taxas de classificação errônea e o elevado WER para vogais específicas às suas semelhanças fonéticas. Espectrogramas de /u/, /a'/ e /o/ revelaram movimentos de formantes quase similares, levando à confusão no modelo e ao aumento dos erros de substituição.
• Desempenho Comparativo: Quando comparado com modelos existentes (BLSTM e SincConv+DSConv) utilizando o mesmo conjunto de características, o modelo LSTM proposto demonstrou desempenho superior, alcançando 95% de acurácia comparado a 93,4% e 92% respectivamente, e um WER menor (18,60% vs. 19,40% e 20,30%).

Significância e Alegações
Os autores posicionam este trabalho como um passo fundamental para a preservação e o desenvolvimento das tecnologias da língua assamesa. Ao demonstrar que uma combinação de características acústicas padrão e redes LSTM pode alcançar alta acurácia (95%) mesmo com um conjunto de dados relativamente pequeno e autocurado, o estudo valida a viabilidade do aprendizado profundo para línguas de baixos recursos.

O artigo reconhece modestamente suas limitações, observando que o pequeno tamanho do conjunto de dados pode afetar a generalização e que o escopo atual é limitado ao reconhecimento de vogais isoladas. Os autores enfatizam que, embora a acurácia de classificação seja alta, o WER continua sendo um desafio devido às ambiguidades fonéticas inerentes à língua. Eles concluem que este trabalho fornece uma linha de base para melhorias futuras, sugerindo que conjuntos de dados maiores, arquiteturas avançadas e técnicas de otimização poderiam aumentar ainda mais as taxas de reconhecimento para fala contínua e detecção de palavras-chave.