Acceso usuarios
Feda Negesse
Mitjançant aprenentatge automàtic, aquest estudi investiga com la durada del segment, els moments espectrals i els coeficients DCT permeten diferenciar les fricatives simples de les geminades en oromo. Divuit parlants nadius d’oromo occidental van produir un conjunt de fricatives en posició intervocàlica. D’aquests segments se’n va extreure la durada, els moments espectrals transformats en bark i els sis primers coeficients DCT. Els sons van ser classificats mitjançant màquines de vectors de suport, random forests i xarxes neuronals de perceptró multicapa. Els resultats revelen que la durada del segment és la característica més consistent per distingir entre simples i geminades, amb els coeficients DCT lleugerament superiors als moments espectrals. La màxima precisió de classificació s’aconsegueix combinant la durada i els moments espectrals, però les característiques no temporals donen lloc a més errors.
Using machine learning, this study investigates how segment duration, spectral moments, and DCT coefficients help differentiating singleton from geminate in Oromo fricatives. Eighteen native Oromo speakers from the western dialect produced speech data consisting of the fricatives in an intervocalic position. Acoustic features, including segment duration, bark-transformed spectral moments, and the first six DCT coefficients, were extracted from the midpoint of the speech data. Support Vector Machine, Random Forest, and Multilayer Perceptron Neural Network classified the sounds. Results reveal that segment duration is the most consistent feature for distinguishing singleton and geminate, with DCT coefficients slightly outperforming spectral moments. The highest classification accuracy could be achieved by combining duration and spectral moments, but non-temporal features result in more errors.
