Optimizations for automatic speech recognition systems

Note:This thesis introduces an architecture for a generic automatic speech recognition (ASR) system which is easily adapted to specific tasks. It then expands the base system to include a Vector Quantizer (VQ) preprocessor and a speaker adaptation (SA) procedure. The VQ preprocessor reduces the amount of computation which must be done on multivariant gaussian mixtures contained within hidden Markov models (HMMs) in order to achieve a realtime speedup. The SA procedure increases the accuracy of the ASR system when the same speaker uses it for a period of time. Both improvements to the base architecture are then tested and evaluated using the TIMIT test set, an Air Traffic Control task set, and a single speaker test set for speaker adaptation.Cette thèse présente une architecture pour un système pour la Reconnaissance Automatique de la Parole (RAP) qui peut être facilement adapte à une tache spécifique. Ce système est alors agrandi pour comprendre un préprocesseur à base de quantification de vecteurs et une méthode d'adaptation à l'utilisateur. Le préprocesseur réduit le nombre de calculs nécessaire pour reconnaitre la parole, ce qui améliore la vitesse du système. L'adaptation à l'utilisateur améliore l'exactitude du système. Ces deux modifications sont évaluées avec la base de données TIMIT, con tenant des paroles de contrôleurs de trafic aérien, et une base de données d'un seul utilisateur pour vérifier l'adaptation