در گفتار پیوسته، کلمات به صورت های گوناگونی تلفظ می شوند. وجود تنوعات تلفظی ایجاب می نماید واژگان سیستم بازشناسی گفتار پیوسته، حاوی گونه های مختلف تلفظی کلمات باشد. از این طریق می توان درصد دقت بازشناسی کلمات را افزایش داد. در این مقاله برآنیم روشی خودکار جهت تولید گونه های تلفظی کلمات ارایه نماییم. در این روش قواعد تلفظی از طریق مقایسه نسخه های همردیف سازی شده دنباله واجی مرجع کلمه و دنباله واجی بازشناسی شده از سیگنال گفتار، یادگیری می شوند. علاوه بر این، تعدادی قاعده که بر اساس دانش و اطلاعات آواشناسی زبان فارسی ایجاد شده، جهت تکمیل قواعد قبلی، به آنها اضافه می شوند. متعاقبا بعد از هرس آماری قواعد یادگیری شده، با اعمال آنها به دنباله واجی مرجع کلمات به تولید گونه های تلفظی آنها پرداخته می شود. این شیوه نسبت به روش اضافه نمودن دستی گونه های تلفظی کلمات، بر اساس اطلاعات آواشناسی، برتری دارد، چرا که در این روش گونه های تلفظی با توجه به خطاهای سیستم بازشناسی آواها به همراه احتمالات وقوع آنها و به صورت خودکار تولید می گردند. این روش با استفاده از دادگان گفتاری "فارس دات بزرگ"، پیاده سازی گردید و به کارگیری آن در تولید واژگان سیستم "شنوا" که یک سیستم بازشناسی گفتار پیوسته فارسی است، %3.47 افزایش درصد دقت بازشناسی کلمات را حاصل نمود.

حالت گفتار سبب افزودن اطلاعات اضافی نسبت به اطلاعات نوشتاری می شود. از طرف دیگر، وجود حالت در گفتار سبب بروز مشکل در فرایند بازشناسی گفتار می شود. در تحقیقات قبلی نشان داده شد که حالت گفتار سبب تغییرات اساسی در پارامترهای گفتاری می شود.برای بهبود نتایج بازشناسی گفتار با حالت، ابتدا باید تاثیر آن را بر پارامترهای گفتاری به دست آورد و در مرحله بعدی، از پارامترهای مناسبی برای بهبود نتایج بازشناسی استفاده کرد. در این تحقیق با توجه به نتایج به دست آمده در زمینه تاثیر حالتهای گفتاری خشم و اندوه بر پارامترهای گفتاری نظیر فرمنت ها و فرکانس گام در زبان فارسی، بهبود نتایج بازشناسی گفتار با حالت، با مدل های عادی مد نظر است. با توجه به تغییرات منظم پارامترهایی نظیر فرکانس گام، فرمنت ها و شیب آنها با حالت گفتار، این پارامترها به بردار ویژگی سیستم بازشناسی اضافه می شوند. این کار سبب بهبود نتایج بازشناسی می شود. میزان این بهبود بستگی به نوع پارامتر، تعداد مخلوط ها و حالت گفتار دارد. با توجه به اهمیت شناسایی حالت گفتار و همچنین نقش آن در بهبود کیفیت سیستم بازشناسی گفتار، با استفاده از فرمنت ها و فرکانس گام به عنوان ویژگیهای ورودی و به کارگیری روشهای درخت تصمیم گیری و GMM، کار شناسایی حالت گفتار نیز انجام شده است.

شنونده برای دست یابی به مرز واژه­, ها در گفتار پیوسته از الگوهای مختلف زبان­, شناختی مانند الگوهای واجی، صرفی-نحوی، معنایی و موارد مشابه استفاده می­, کند. بر مبنای فرضیه تقطیع عروضی، در صورت نبود منابع اطلاعاتی زبان شناختی، شنونده فقط به تغییرات نوایی برای بازشناسی مرز واژگانی تکیه می­, کند. در این پژوهش، برای ارزیابی میزان اعتبار فرضیه تقطیع عروضی، یک آزمایش ادراکی انجام دادیم تا فارسی ­, زبانان بومی، واژگان طبیعی فارسی را از زنجیره­, های آواییِ بی­,معنا (ناواژه­, ها) بازیابی کنند. یافته های به دست آمده با تأیید فرضیه تقطیع عروضی نشان داد تکیه در بازشناسی واژگان فارسی از گفتار پیوسته نقش به سزایی دارد زیرا شنونده­, ها واژگان معنادار فارسی را از ناواژه­, های تکیه-پایانی نسبت به ناواژه­, های تکیه-آغازی و تکیه-میانی با سطح اطمینان بالاتر و در مدت زمان کوتاه ­, تری تشخیص می­, دهند. همچنین، هر اندازه الگوی تکیه ناواژه­, ها با الگوی توزیع تکیه در واژگان طبیعی فارسی هماهنگ ­, تر باشد، سطح اطمینان پاسخ­, های شناسایی بالاتر و سرعت پردازش ادراکی واژگان سریع­, تر است. در مقابل، هر اندازه تکیه ناواژه­, ها با الگوی تکیة واژگانِ طبیعیِ فارسی ناهماهنگ ­, تر باشد، سطح اطمینان پاسخ­,ها پائین ­, تر و مدت زمان واکنش شنونده ­, ها کندتر است.

یکی از مراحل زیربنایی در بازشناسی خودکار گفتار، بازشناسی واج ها و از موانع جدی برای بازشناسی واج ها، هم تولیدی است. یک روش برای جبران تأثیر هم تولیدی، استفاده از مدل های وابسته به بافت در بازشناسی واج هاست. در این پژوهش، از یک روش زبان شناختی برای مدل سازی واج گونه ها استفاده شده است. بدین منظور ابتدا قواعد وقوع واج گونه ها در زبان فارسی استخراج و مشخص شده است که هر واج چه واج گونه هایی دارد. برای مدل سازی و شناسایی واج گونه ها، یک پیکره واج گونه ای لازم است که به منظور تولید آن، از پیکره فارس دات کوچک استفاده و برچسب گذاری واج گونه ای آن انجام و از این پیکره، برای مدل سازی و سپس شناسایی واج گونه های مختلف گفتار ورودی استفاده شده است. درنهایت، با قرار گرفتن هر یک از واج گونه های شناسایی شده در دسته واجی مربوط به خود، بازشناسی واج ها از مسیر واج گونه ها انجام شده است. با این روش، دقت بازشناسی واج ها در زبان فارسی در مقایسه با بهترین نتایج گزارش شده تاکنون، بهبود قابل ملاحظه ای نشان داده است.

بازشناسی خودکار حالت عاطفی به منظور بهبود ارتباط انسان و رایانه، تحقیقات بالینی و کاربردهای متنوع دیگر در چند سال اخیر مورد توجه محققان بوده است. از جمله روش های بازشناسی خودکار حالت عاطفی که نسبت به روش های دیداری - شنیداری، به آن توجه کمتری شده است، نظارت بر تغییرات فیزیولوژیک به وسیله ثبت سیگنال های محیطی می باشد. حالت های مختلف عاطفی باعث تحریک دستگاه عصبی خودمختار و به دنبال آن تغییرات فیزیولوژیک به وسیله دو بخش سمپاتیک و پاراسمپاتیک و ایجاد الگوهای مشخص در سیگنال های محیطی می شود. در این پژوهش سعی می گردد، آزمایشی مطمئن به منظور ایجاد چهار وضعیت عاطفی مشخص در 25 داوطلب سالم و ثبت هم زمان سیگنال های محیطی برپا شود. همچنین، روش جدیدی در انتخاب افراد شرکت کننده در آزمایش پیشنهاد می گردد. علاوه بر آن پس از پیش پردازش های مناسب، ویژگی های متنوعی از سیگنال ها استخراج می شود. در ادامه، مقایسه ای بین روش های کاهش بعد و دسته بندی کننده برای نیل به بهترین درصد صحت تفکیک، چهار وضعیت عاطفی انجام می شود. روش پیشنهاد شده می تواند حالت های عاطفی مشخص را با دقت میانگین %84.3 برای روش های مختلف کاهش بعد و دسته بندی کننده تفکیک کند. نتایج این پژوهش می تواند به برون آزمایشگاهی شدن این روش بازشناسی کمک نماید.

در این مقاله روشی جدید برای ارزیابی خودکار روانی گفتار ارایه خواهد شد. از کاربردهای ارزیابی خودکار روانی گفتار می توان به آموزش زبان خارجی به کمک کامپیوتر اشاره نمود. بدین صورت که گفتار زبان آموز ارزیابی شده و سطح روان و سلیس بودن گفتار وی مشخص می گردد. با اختیار داشتن ارزیابی کننده خودکار روانی گفتار، زبان آموز می تواند از سطح روان بودن گفتار خودآگاه شده و با تکرار و تمرین سعی در بهتر نمودن سطح روانی گفتار خود نماید. برای این منظور معیارهای کمی مختلفی ارایه شده است که می توان به کمک آنها روانی گفتار را پیش بینی نمود. در اینجا با بررسی مناسب بودن این معیارها، روشی برای ارزیابی خودکار روانی گفتار ارایه می شود. برای بررسی صحت ارزیابی خودکار ارایه شده دادگانی از ترک زبانان تهیه شده و آزمایشات بر روی آن انجام گرفت. همبستگی بین نمرات داوران انسانی و ارزیابی کننده خودکار در نهایت نزدیک به 0.95 رسید.

یادگیری زبان یک فرایند پردازش اطلاعاتی است. در واقع زمانی که گفته دیگران را می شنویم، کلمات موجود در گفتار پیوسته را بازشناسی می کنیم. بنابراین بازشناسی، شامل یافتن کلمات مجزا در گفتار پیوسته و نگاشت آنها به مدخل های واژگانی موجود در حافظه به منظور تعیین معنای کلمات می باشد. در توجیه فرایند بازشناسی کلمات گفتار، انگاره های متعددی ارایه شده و زبان شناسان بسیاری نیز در این حوزه فعالیت و تحقیق نموده اند؛ از جمله کاتلر، دنیس نوریس و جیمز مک کوئین که در تحقیقات بسیاری این انگاره ها را در زبان های مختلف مانند انگلیسی و ژاپنی آزموده اند. این مقاله، به معرفی چهار انگاره اصلی بازشناسی کلمه یعنی کوهورت، ردیابی، سیاهه کوتاه و تقطیع عروضی و بررسی رفتار کودکان فارسی زبان در بازشناسی کلمات گفتار از رهگذر این انگاره ها و همچنین شناسایی عوامل موثر در بازشناسی می پردازد.