Abstract
在訓練馬可夫模型（HIDDEN MARKOV MODEL ）的參數過程中往往需要大量的訓練（T-RAINING ）時間和資料，若有一群人想使用此一系統時，這種方式便不適合，所以語者調適（SPEAKER ADAPTATION）就是用來解決或減輕這些問題。語者調適的主要目的是當一個非特定語者欲使用此一辨認系統時，能以最少的時間和少量語音資料即可操作。當然，再多的訓練資料都不足以正確的表示這些模型參數，因此，使用者在用此系統前，必須先輸入一些少量的調整音。本論文提出一個簡單、有效，並且能夠很快速的去調整隱藏式馬夫模型參數的方法，根據辨認錯誤（MISRE-COGNIZED）的計分差值（SCOR DIFFERENCE ）來調整模型的參數值，這些參數的調整與否乃決定於它是否出現在沿計分程序的最佳路徑（OPTIMAL PATH）上。也就是說事先不假設原本所訓練出來的模型參數是對的，而由新進來的資料做快速有效的調適訓練，使模型能更適合於現在的情況，進而提高辨認率。此實驗是故意取發音非常相近的２０個音來做測試。而這些模型的參數是先用１５個人，每人１２遍，每遍２０個字來做訓練。實驗A 是做一般的辨認，也就是尚未有適應調整；實驗B 是對特定語者做適應性的調整，結果顯示的確可降低辨認錯誤率。至於實驗C 是對不特定語者做語音調適，結果發現大的可降低三分之一的錯誤率。實驗D 則對不特定語者做接近錯（NEAR-MISS ）的實驗，結果顯示更能提高辨認率；實驗E 則對傳統的訓練方式和適應演算法做一番比較，結果顯示確實優於傳統的再訓練方式。