Recunoaștere vocală în limba română: CNN pe spectrograme audio în MATLAB

Acest studiu de caz pornește de la proiectul academic „Proiect de Software”, construit în jurul unei întrebări tehnice simple: poate fi antrenată o rețea neuronală convoluțională să distingă cuvinte izolate în limba română atunci când sunetul este transformat într-o reprezentare vizuală?

Materialul nu prezintă un produs comercial și nu promite recunoaștere vocală robustă pentru orice vorbitor. Este un prototip academic demonstrabil, util pentru a arăta cum un semnal audio 1D poate fi convertit într-o spectrogramă și analizat ca imagine de către o rețea CNN în MATLAB și Deep Learning Toolbox.

Setul de lucru a fost intenționat restrâns: 17 clase vocale, 15 înregistrări pentru fiecare clasă, aceeași voce și un mediu controlat. Tocmai această delimitare face studiul util editorial: arată mecanica unui pipeline de clasificare fără a supraevalua maturitatea sistemului.

Problema principală nu era captarea sunetului, ci forma în care sunetul putea fi introdus într-un model de deep learning. O înregistrare WAV conține variații de amplitudine în timp, însă o rețea CNN este mai potrivită pentru structuri spațiale: contururi, regiuni, contraste și pattern-uri locale.

Pentru recunoașterea cuvintelor izolate, informația relevantă nu se află doar în nivelul semnalului, ci în distribuția energiei pe timp și frecvență. Două cuvinte pot avea durate apropiate sau intensități similare, dar pot produce spectrograme diferite. În același timp, cuvinte apropiate fonetic pot produce confuzii chiar dacă pipeline-ul este corect.

Diagnosticul tehnic a arătat că semnalul brut trebuia trecut printr-un strat de preprocesare înainte de antrenare. În loc ca rețeaua să primească direct amplitudini în timp, fiecare fișier WAV a fost transformat într-o imagine spectrală, în care axele timp-frecvență fac vizibile zonele de energie ale rostirii.

Această decizie schimbă problema: din clasificare directă de waveform, proiectul devine clasificare de imagini derivate din audio. CNN-ul poate învăța pattern-uri locale din spectrograme, iar matricea de confuzie poate arăta unde modelul separă corect clasele și unde le amestecă.

Diagnosticul inițial a fost confirmat de evoluția acurateții de validare. Prima variantă a sistemului nu a separat suficient clasele, apoi iterațiile de arhitectură și preprocesare au ridicat performanța documentată până la 63.53% validation accuracy.

Decizia arhitecturală a fost să se trateze fiecare cuvânt ca semnal audio convertibil într-o reprezentare vizuală. Asta a făcut posibilă folosirea unei rețele CNN, nu pentru limbaj natural în sens semantic, ci pentru recunoașterea pattern-urilor acustice din spectrograme.

Modelul ales nu a fost prezentat ca sistem general de speech recognition, ci ca un clasificator pentru cuvinte izolate într-un set închis de clase. Acest perimetru este important: un model antrenat pe o singură voce, într-un mediu controlat, nu trebuie descris ca soluție robustă pentru vorbitori diferiți, zgomot real sau conversație continuă.

Implementarea a urmat un flux controlat în MATLAB și Deep Learning Toolbox. Înregistrările WAV au fost organizate pe clase, preprocesate, transformate în spectrograme și introduse într-o rețea CNN pentru antrenare și clasificare.

Scopul implementării nu a fost ascunderea complexității într-un model gata antrenat, ci documentarea traseului complet: de la fișier audio la predicție și de la predicție la evaluarea erorilor. Matricea de confuzie devine aici instrumentul de diagnostic, nu doar o imagine de final.

Rezultatul documentat trebuie citit ca evoluție a unui prototip academic, nu ca promisiune de performanță comercială. În proiect, validation accuracy a crescut prin iterații succesive: de la 13.73%, la 32.55%, apoi la 63.53% în versiunea finală documentată.

Aceste valori arată progresul unui experiment, nu o garanție de generalizare. Pentru un model antrenat pe dataset mic, aceeași voce și condiții controlate, interpretarea corectă este: pipeline-ul funcționează demonstrabil în perimetrul proiectului, dar nu dovedește robustețe în afara lui.

Limitările sunt parte din valoarea studiului, pentru că împiedică supraevaluarea rezultatului. Prototipul demonstrează o direcție tehnică, dar nu trebuie confundat cu un sistem de recunoaștere vocală generalizabil.

Lecția principală este că performanța unui model nu poate fi separată de forma datelor și de perimetrul experimentului. Conversia WAV → spectrogramă a făcut problema abordabilă pentru un CNN, dar calitatea rezultatului a rămas dependentă de volumul, diversitatea și condițiile dataset-ului.

Un prototip academic bun nu este cel care promite mai mult decât poate demonstra. Este cel care arată clar ce funcționează, ce a fost măsurat și unde începe limita. În acest caz, pipeline-ul confirmă direcția tehnică: semnalul vocal poate fi transformat într-o reprezentare vizuală și clasificat cu o rețea CNN, dar generalizarea cere un dataset mai mare, mai multe voci și condiții audio mai variate.

Referințele de mai jos susțin contextul tehnic al studiului. PDF-ul și fișierele MATLAB au fost folosite pentru verificare factuală, nu ca materiale publicate în proiect.