kaz29Вестник Казахстанско-Британского технического университетаHerald of the Kazakh-British Technical University1998-66882959-8109Казахстанско-Британский Технический Университет10.55452/1998-6688-2025-22-2-10-23kaz29-1983Research ArticleКОМПЬЮТЕРНЫЕ НАУКИCOMPUTER SCIENCEСЕГМЕНТАЦИЯ РЕЧИ ВО ВРЕМЯ СООТВЕТСТВИЯ ДИКТОРАSPEECH SEGMENTATION DURING SPEAKER MATCHINGhttps://orcid.org/0000-0003-4439-7313АхмедияроваА. Т.AkhmediyarovaA. T.

 PhD, ассоц. профессор 

 Алматы 

 PhD, Associate Professor 

 Almaty 

a.akhmediyarova@satbayev.universityhttps://orcid.org/0000-0001-9565-5621АлибиеваЖ. М.AlibiyevaZh. M.

 PhD, ассоц. профессор 

 Алматы 

 PhD, Associate Professor 

 Almaty 

zh.alibiyeva@satbayev.universityhttps://orcid.org/0000-0003-4835-5751МукажановН. К.МukazhanovN. K.

 PhD, ассоц. профессор 

 Алматы

 PhD, Associate Professor 

 Almaty 

n.mukazhanov@satbayev.universityСатбаев университетіКазахстанSatbaev UniversityKazakhstan2025060720252221023Copyright © Ахмедиярова А.Т., Алибиева Ж.М., Мукажанов Н.К., 20252025Ахмедиярова А.Т., Алибиева Ж.М., Мукажанов Н.К.Akhmediyarova A.T., Alibiyeva Z.M., Мukazhanov N.K.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vestnik.kbtu.edu.kz/jour/article/view/1983

Сегментация речи – это процесс разделения речевых сигналов на части, который является важным аспектом систем идентификации говорящего и распознавания речи. Этот процесс повышает эффективность системы, позволяя точно определять начало и конец речи. Использование детекторов речевой активности (VAD) играет важную роль в сегментации, поскольку они помогают определить границы между речью и тишиной. Однако наиболее распространенными ошибками при сегментации являются ложноположительные и ложноотрицательные результаты, которые негативно влияют на общую точность системы. В связи с этим необходимо снижать ошибки за счет различных подходов и методов. Такие меры, как снижение фонового шума, использование моделей глубокого обучения и увеличение данных, могут значительно улучшить качество сегментации. Использование методов и особенностей спектрального анализа позволяет четко различать речь и фоновый шум. Целью данного исследования является оптимизация процесса сегментации и анализ вероятности ошибок, повышение эффективности систем распознавания речи. В результате эта работа является основой для новых исследований и разработок в области распознавания речи. В статье рассматривается проблема сегментации речи для идентификации говорящего. В работе описаны возможные критерии сегментации – качественные и количественные характеристики звуковой речи, например, речевые задержки и интонация, а также их акустическое соотношение. Это позволяет специалисту выделить конкретные сегментные единицы (слоги, слова и т. д.), записать их структуру, выделить основные признаки.

Speech segmentation is the process of dividing speech signals into parts, which is an important aspect of speaker identification and speech recognition systems. This process improves the efficiency of the system by accurately detecting the beginning and end of speech. The use of voice activity detectors (VADs) plays an important role in segmentation, as they help to determine the boundaries between speech and silence. However, the most common errors in segmentation are false positives and false negatives, which negatively affect the overall accuracy of the system. In this regard, it is necessary to reduce errors through various approaches and methods. Measures such as reducing background noise, using deep learning models, and data augmentation can significantly improve the quality of segmentation. Using spectral analysis methods and features allows you to clearly distinguish between speech and background noise. The purpose of this study is to optimize the segmentation process and analyze the probability of errors, improve the efficiency of speech recognition systems. As a result, this work provides a basis for new research and development in the field of speech recognition. The article considers the problem of speech segmentation for speaker identification. The paper describes possible segmentation criteria – qualitative and quantitative characteristics of sound speech, such as speech delays and intonation, as well as their acoustic relationship. This allows a specialist to identify specific segment units (syllables, words, etc.), record their structure, and identify the main features.

речевой сигналсегментацияголос и речьподдержка фрагментов речевого сигналаметод идентификацииspeech signalsegmentationvoice and speechsupport for speech signal fragmentsidentification methodБұл зерттеуді Қазақстан Республикасы Ғылым және жоғары білім министрлігінің Ғылым комитеті қаржыландырды (Грант № AP19678995).ReferencesSujatha C. Vibration, Acoustics and Strain Measurement: Theory and Experiments. – 2023. – 722 p. https://doi.org/10.1007/978-3-031-03968-3_4.Sujatha C. Vibration, Acoustics and Strain Measurement: Theory and Experiments, 722 p. (2023). https://doi.org/10.1007/978-3-031-03968-3_4.Sudeep S. V. N. V. S., Venkata Kiran S., Nandan D., and Kumar S. An Overview of Biometrics and Face Spoofing Detection. – 2021. – ICCCE 2020. – P. 871–881.Sudeep S.V.N.V.S., Venkata Kiran S., Nandan D., and Kumar S. An Overview of Biometrics and Face Spoofing Detection, ICCCE 2020, 871–881, (2021).Златоустова Л.В., Потапова Р.К., Потапов В.В, и Трунин-Донской В.Н. Общая и прикладная фонетика: Учеб. пособие. – 2-е изд., перераб. и доп. - М. : Изд-во Моск. гос. ун-та, 1997. – 416 с.Zlatoustova L.V., Potapova R.K., Potapov V.V., and Trunin-Donskoy V.N. General and Applied phonetics: textbook. stipend (Moscow, Publishing house of Moscow State University, 1997), 416 p. [In Russian].Mukazhanov N., Alibiyeva Zh., Yerimbetova A., Kassymova A., Alibiyeva N. Development of an augmented damerau–levenshtein method for correcting spelling errors in kazakh texts // Eastern-European Journal of Enter-prise Technologies. – 2023. – Vol. 5. – No. 2(125). – P. 23–33. https://doi.org/10.15587/1729-4061.2023.289187.Mukazhanov N., Alibiyeva Z., Yerimbetova A., Kassymova A., Alibiyeva N. Development of an augmented damerau–levenshtein method for correcting spelling errors in Kazakh texts, EasternEuropean Journal of Enter-prise Technologies, 5 (2 (125)), 23–33 (2023). https://doi.org/10.15587/1729-4061.2023.289187.Амаан Ризви, Анупам Джаматия, Двиджен Рудрапал, Кунал Чакма и Бьёрн Гамбек. CrossLingual Speaker Identification for Indian Languages: Материалы 14-й Международной конференции по последним достижениям в обработке естественного языка, Варна, Болгария, 2023. – С. 979–987.Amaan Rizvi, Anupam Jamatia, Dwijen Rudrapal, Kunal Chakma and Bjorn Gambek. Cross-Lingual Speaker Identification for Indian Languages. In Proceedings of the 14th International Conference on the Latest Advances in Natural Language Processing (Varna, Bulgaria, 2023), pp. 979–987.Pati D., and Prasanna S.R.M. Speaker verification using excitation source information // International Journal of Speech Technology. – 2012. – Vol. 15. – No. 3. – P. 241–257.Pati D., and Prasanna S.R.M. Speaker verification using excitation source information. International Journal of Speech Technology, 15(3), 241–257 (2012).Zeinali H., Sameti H., and Burget L. HMM-based phrase-independent i-vector extractor for textdependent speaker verification: IEEE/ACM Transactions on Audio Speech and Language Processing. – 2017. – Vol. 25. – P. 1421–1435.Zeinali H., Sameti H., and Burget L. HMM-based phrase-independent i-vector extractor for textdependent speaker verification. IEEE/ACM Transactions on Audio Speech and Language Processing, 25, 1421–1435 (2017).Meftah A.H., Mathkour H., Kerrache S., and Alotaibi Y.A. Speaker Identification in Different Emotional States in Arabic and English. – 2020. – IEEE Access. – Vol. 8. – P. 60070–60083.Meftah A.H., Mathkour H., Kerrache S., and Alotaibi Y.A. Speaker Identification in Different Emotional States in Arabic and English. IEEE Access, 8, 60070–60083 (2020).Гуртуева И.А., Бжихатлов К.Ч. Аналитический обзор и классификация методов выделения признаков акустического сигнала в речевых системах // Известия Кабардино-Балкарского научного центра РАН. – 2022. – Вып. 1. – С. 41–58. https://doi.org/10.35330/1991-6639-2022-1-105-41-58Gurtueva I.A., Brzikhatlov K.Ch. Analytical review and classification of methods for identifying acoustic signal features in speech systems, Izvestiya Kabardino-Balkarian Scientific Center of the Russian Academy of Sciences, 1, 41–58 (2022). https://doi.org/10.35330/1991-6639-2022-1-105-41-58. [In Russian].Белов Ю.С., Нифонтов С.В., Азаренко К.А. Применение вейвлет-фильтрации для шумоподавления в речевых сигналах // Фундаментальные исследования. – 2017. – № 4 (часть 1) – С. 29–33.Belov Yu.S., Nifontov S.V., Azarenko K.A. Application of wavelet filtering for noise reduction in speech signals, Basic research, 4 (part 1), 29–33 (2017). [In Russian].Huang X., Acero A., and Hon H.W. Spoken Language Processing: A Guide to Theory, Algorithms, and Applications. – Prentice Hall, 2001.Huang X., Acero A., and Hon H.W. Spoken Language Processing: A Guide to Theory, Algorithms, and Applications. Prentice Hall, 2001.Deng L., and Yu D. Deep Learning for Speech Recognition // IEEE Signal Processing Magazine. – 2012. – Vol. 29. – No. 6. – P. 82–97.Deng L., and Yu D. Deep Learning for Speech Recognition. IEEE Signal Processing Magazine, 29(6), 82–97 (2012).Zhang Y., and Wu Y. Robust Speech Segmentation using Spectral Clustering: IEEE Transactions on Audio, Speech, and Language Processing. – 2017. – Vol. 25. – No. – P. 91815–1827.Zhang Y., and Wu Y. Robust Speech Segmentation using Spectral Clustering. IEEE Transactions on Audio, Speech, and Language Processing, 25(9), 1815–1827 (2017).Hazen T.J., and Reddy R. Voice Activity Detection: A Review of the Literature // Journal of the Acoustical Society of America. – 2012. – Vol. 132. – No. 5. – P. 2994–3005.Hazen T.J., and Reddy R. Voice Activity Detection: A Review of the Literature. Journal of the Acoustical Society of America, 132(5), 2994–3005 (2012).Нефедов Н.Н., Алимурадов А.К. Краткий обзор способов обнаружения речевой активности // Инжиниринг и технологии. – 2024. – Т. 9. – № 2. – С. 1–6. https://doi.org/10.21685/2587-7704-2024-9-2-9.Nefedov N.N., Alimuradov A.K. A brief overview of ways to detect speech activity. Engineering and technology, 9 (2), 1–6 (2024). https://doi.org/10.21685/2587- 7704-2024-9-2-9. [In Russian].Sharma, S., and Goyal, N. A Review of Speech Segmentation Techniques // International Journal of Computer Applications. – 2016. – Vol. 134. – No. 11. – P. 10–14.Sharma S., and Goyal N. A Review of Speech Segmentation Techniques. International Journal of Computer Applications, 134(11), 10–14 (2016).Sak H., Senior A., and Beaufays F. Long Short-Term Memory Based Recurrent Neural Network Architectures for Large Vocabulary Speech Recognition. Proceedings of the 15th International Conference on Speech and Language Processing (INTERSPEECH), 2014. – pp. 338–342, (2014).Sak H., Senior A., and Beaufays F. Long Short-Term Memory Based Recurrent Neural Network Architectures for Large Vocabulary Speech Recognition. Proceedings of the 15th International Conference on Speech and Language Processing (INTERSPEECH, 2014), pp. 338–342.Gonzalez J., and Rios M.A Comprehensive Study on Speech Segmentation Approaches // Journal of Signal Processing Systems. – 2014. – Vol. 76. – No. 2. – P. 171–182.Gonzalez J., and Rios M. A Comprehensive Study on Speech Segmentation Approaches. Journal of Signal Processing Systems, 76(2), 171–182 (2014).Li X., and Zhao C. Improved Speech Segmentation Algorithm Based on GMM and VAD // Journal of the Acoustical Society of America. – 2015. – Vol. 137. – No. 3. – P. 1355–1363.Li X., and Zhao C. Improved Speech Segmentation Algorithm Based on GMM and VAD. Journal of the Acoustical Society of America, 137(3), 1355–1363 (2015).Yin J., and Wang Y. A Novel Method for Speech Segmentation Based on Wavelet Transform // International Journal of Speech Technology. – 2019. – Vol. 22. – No. 3. – P. 483–493.Yin J., and Wang Y. A Novel Method for Speech Segmentation Based on Wavelet Transform. International Journal of Speech Technology, 22(3), 483–493 (2019).

The authors declare that there are no conflicts of interest present.