A Small Brazilian Portuguese Speech Corpus for Speaker Recognition Study

Alberto Yoshihiro Nakano; Hélio Rodrigues da Silva; Julian Rodrigues Dourado; Felipe Walter Dafico Pfrimer

doi:10.5433/1679-0375.2024.v45.50518

Um Pequeno Corpus em Português Brasileiro para Estudo de Reconhecimento de Locutor

Autores

Alberto Yoshihiro Nakano Universidade Tecnológica Federal do Paraná https://orcid.org/0000-0002-3757-1427
Hélio Rodrigues da Silva Universidade Tecnológica Federal do Paraná https://orcid.org/0009-0009-4864-1337
Julian Rodrigues Dourado Universidade Tecnológica Federal do Paraná https://orcid.org/0009-0008-2459-4751
Felipe Walter Dafico Pfrimer Universidade Tecnológica Federal do Paraná https://orcid.org/0000-0002-0586-1585

DOI:

https://doi.org/10.5433/1679-0375.2024.v45.50518

Palavras-chave:

Corpus de português brasileiro, GMM, MFCC, Reconhecimento de locutor

Resumo

Um pequeno banco de dados de língua portuguesa falada foi criado para fins educacionais no estudo de sistema básico de reconhecimento de locutor. O sistema emprega o modelo de misturas gaussianas (GMM) como modelo estatístico e Mel-frequency cepstral coefficients (MFCC) como atributos/características acústicas para modelagem de locutores. Os resultados obtidos empregando amostras de teste limpas (sem ruído) e ruidosas de fala estão de acordo com o esperado, quanto maior o descasamento entre as condições de treinamento dos modelos de locutor e as condições de teste, pior será o resultado encontrado. O comprimento das amostras de teste auxilia na melhora do desempenho do sistema. Finalmente, os resultados obtidos podem ser usados como referência para comparação com resultados empregando outros atributos acústicos ou outros modelos estatísticos para modelagem de locutor.

Biografia do Autor

Alberto Yoshihiro Nakano, Universidade Tecnológica Federal do Paraná

Alberto Yoshihiro Nakano é Professor Associado na Universidade Tecnológica Federal do Paraná, campus Toledo. Ele obteve seu mestrado pela Universidade de São Paulo, Brasil (2005) e seu doutorado (Dr. Eng.) pela Universidade Tecnológica de Toyohashi, Japão (2010).

Hélio Rodrigues da Silva, Universidade Tecnológica Federal do Paraná

Hélio Rodrigues da Silva recebeu seu bacharelado em Engenharia Eletrônica (2018) e seu mestrado (2022) pela Universidade Tecnológica Federal do Paraná

Julian Rodrigues Dourado, Universidade Tecnológica Federal do Paraná

Juliano Rodrigues Dourado recebeu seu bacharelado em Engenharia Eletrônica (2018) pela Universidade Tecnológica Federal do Paraná

Felipe Walter Dafico Pfrimer, Universidade Tecnológica Federal do Paraná

Felipe Walter Dafico Pfrimer é Professor Associado na Universidade Tecnol´ógica Federal do Paraná, campus Toledo. Ele obteve seu mestrado em 2009 e seu doutorado em 2013, ambos pela Universidade de Campinas, Brasil.

Referências

Alcaim, A., Solewicz, J. A., & Moraes, J. A. (1992). Frequência de Ocorrência dos Fones e Listas de Frases Foneticamente Balanceadas no Português Falado no Rio de Janeiro. Revista da Sociedade Brasileira de Telecomunicações, 7(1), 40–47.

Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.

Candido, A. J., Casanova, E., Soares, A., Oliveira, F. S., Oliveira, L., Fernandes, R. C. J., Silva, D. P. P., Fayet, F. G., Carlotto, B. B., Gris, L. R. S. e Aluísio, S. M. (2023). CORAA ASR: a large corpus of spontaneous and prepared speech manually validated for speech recognition in Brazilian Portuguese. Language Resources and Evaluation, 57, 1139–1171.

Casanova, E., Candido, A. J., Shulby, C. D., Oliveira, F. S., Teixeira, J. P., Ponti, M. A. e Aluísio, S. M. (2022). TTS-Portuguese Corpus: a corpus for speech synthesis in Brazilian Portuguese. Language Resources and Evaluation, 56, 1043–1055.

Dempster, A. P., Laird, N. M. e Rubin, D. B. (1977). Maximum likelihood from incomplete data via the EM algorithm. Journal of the royal statistical society: series B (methodological), 39(1), 1–38.

Diener, L., Vishkasougheh, M. R. e Schultz, T. (2020). CSL-EMG_Array: An Open Access Corpus for EMG-to-Speech Conversion. Proceedings Interspeech 2020, Shangai, China.

Jyothi, S. e Geethanjali, N. (2022). Arrythmia prediction from high dimensional electrocardiogram’s data corpus using ensemble classification. International Journal of Health Sciences, 6(S1), 4790–4810.

Kinnunen, T., Karpov, E. e Franti, P. (2005). Real-time speaker identification and verification. IEEE Transactions on Audio, Speech, and Language Processing, 14(1), 277–288.

Kučera, H. e Francis, W. N. (1967). Computational analysis of present-day American English. Brown University Press.

Kuo, J. e Lee-Messer, C. (2017). The stanford EEG corpus: A large open dataset of electroencephalograms from children and adults to support machine learning technology. IEEE Signal Processing in Medicine and Biology Symposium (SPMB), 1–2.

Leite, P. H. L., Hoyle, E., Antelo, Á., Kruszielski, L. F. e Biscainho, L. W. P. (2022). A Corpus of Neutral Voice Speech in Brazilian Portuguese. In V. Pinheiro, P. Gamallo, R. Amaro, C. Scarton, F. Batista, D. Silva, C. Magro e H. Pinto (Eds.), Computational Processing of the Portuguese Language (pp. 344–352). 15th International Conference, PROPOR 2022, Fortaleza, Brazil.

Liu, Z., Wu, Z., Li, T., Li, J. e Shen, C. (2018). GMM and CNN hybrid method for short utterance speaker recognition. IEEE Transactions on Industrial Informatics, 14(7), 3244–3252.

Mathworks. (2024). MatLab - Designed for the way you think and the work you do.

Nassif, A. B., Shahin, I., Hamsa, S., Nemmour, N. e Hirose, K. (2021). CASA-based speaker identification using cascaded GMM-CNN classifier in noisy and emotional talking conditions. Applied Soft Computing, 103, 1–11.

Paulino, M. A., Costa, Y. M., Britto, A. S., Svaigen, A. R., Aylon, L. B. e Oliveira, L. E. (2018). A Brazilian speech database. In IEEE Conferences [Proceedings]. 30th International Conference on Tools with Artificial Intelligence (ICTAI). Volos, Greece, 234–241.

Rabiner, L. e Juang, B.-H. (1993). Fundamentals of speech recognition. Prentice-Hall.

Raso, T., Mello, H., & Mittmann, M. M. (2012). The C-ORAL-BRASIL I: Reference corpus for spoken Brazilian Portuguese. In N. Calzolari, K. Choukri, T. Declerck, M. U. Doğan, B. Maegaard, J. Mariani, A. Moreno, J. Odijk, & S. Piperidis (Eds.), Proceedings of the Eighth International Conference on Language Resources and Evaluation (LREC’12) (pp. 106–113). 8 International Conference on Language Resources and Evaluation. Istanbul, Turkey.

Reynolds, D. A., & Rose, R. C. (1995). Robust text-independent speaker identification using Gaussian mixture speaker models. IEEE Transactions on Speech and Audio Processing, 3(1), 72–83.

Ynoguti, C. A., & Violaro, F. (2008). A Brazilian Portuguese speech database. In Sociedade Brasileira de Telecomunicações, SBrT2008 [Proceedings]. XXVI Simpósio Brasileiro de Telecomunicações, Rio de Janeiro, Brasil.

Zhang, H., Sun, A., Jing, W., Nan, G., Zhen, L., Zhou, J. T., & Goh, R. S. M. (2021). Video Corpus Moment Retrieval with Contrastive Learning. ArXiv, 1, 1–11.