Abstract
Este trabalho apresenta um modelo para o reconhecimento de sílabas fonéticas utilizando uma rede Stacked Autoencoder. O objetivo é identificar e distinguir os diferentes sons da fala, considerando sílabas fonéticas e variações na pronúncia. A rede desenvolvida, denominada CollabNet, é caracterizada pela adição colaborativa e gradual de camadas ocultas, garantindo continuidade no aprendizado e convergência progressiva do erro. Essa estratégia também favorece a integração com camadas anteriores e o alinhamento do processo de treinamento. Para representar as sílabas fonéticas, o método realiza compressão de frequências por meio de centroides. Inicialmente, aplica-se a Transformada Rápida de Fourier (FFT) em cada amostra de áudio. As frequências adjacentes são agrupadas e representadas como retângulos em um gráfico de barras, e o centroide de cada grupo é então calculado. Em seguida, a rede é configurada e treinada para reconhecer sílabas fonéticas. A representação do áudio preserva características específicas, permitindo ao CollabNet identificar com precisão diferentes sons do português brasileiro. O modelo alcançou acurácia de 75,96% e Taxa de Erro Fonético (PER) de 23,73%.

This publication has 8 references indexed in Scilit: