Morphotactic based Statistical Language Modeling for Large Vocabulary Continuous Speech Recognition Systems

Bu projede, Türkçe gibi eklemeli dillerde geniş sözcük dağarcıklı sürekli konuşma tanıma (large vocabulary continuous speech recognition – LVCSR) sistemleri için kullanılacak yeni bir dil modelinin geliştirilmesi amaçlanmaktadır. Bilindiği gibi, eklemeli dillerde sınırsız sayıda kelime üretilebilmesi, konuşma tanıma sistemlerinde dil modeli oluşturmada zorluklara neden olmaktadır ve iyi bir dil modelinin eksikliği bu sistemlerin etkinliğini önemli ölçüde etkilemektedir. İngilizce gibi nispeten eklemeli olmayan dillerde konuşma tanıma sistemlerinin başarıyla geliştirilmiş olmasının ve Türkçe gibi dillerde henüz aynı başarıya ulaşılamamasının en önemli nedenlerinden birisi, etkin bir dil modelinin eksikliğidir. Konuşma tanıma sistemlerinde yaygın olarak n-birimli (n-gram) dil modeli kullanılmaktadır. Bu model, dili istatistiki olarak modellemeye çalışmaktadır. Geniş bir metin havuzundan (corpus) sözcüklerin birbiri ardına gelme sıklıklarını göz önüne alarak oluşturulan model, sözcük dizilerinin olasılıklarını hesaplamakta kullanılmaktadır. Türkçe’de diğer bir sorun, sözcüklerin cümle içinde diziliminin nispeten serbest olmasıdır. Bu serbestlik sorunu Türkçe’nin eklemeli bir dil olması ile birleştiğinde, sözcük bazında basit bir n-birimli dil modelinin konuşma tanıma sistemlerinde etkinliğini azaltmaktadır. Bu çalışma ile Türkçe’nin morfotaktik (morphotactic) (morfların dizilim kuralları) bilgisini n-birimli bir dil modeli ile birleştirerek etkin bir dil modelinin oluşturulması hedeflenmektedir. Böylece Türkçe için birçok uygulama alanına sahip geniş sözcük dağarcıklı konuşma tanıma sistemleri geliştirilebilecektir.