Türkçe ses metinlerinden cinsiyet tanıma için nöral devre politikaları tabanlı yeni bir yöntem

Abstract

Konuşma hem dilsel hem de dil dışı bilgi taşıyan, insan iletişiminin en doğal ve etkili yollarından biridir. Cinsiyet sınıflandırması, biyometrik kimlik doğrulama ve kişiselleşti-rilmiş insan-bilgisayar etkileşimi gibi birçok uygulamada önemli rol oynamaktadır. Bu çalışma, Türkçe konuşma verileri üzerinde cinsiyet sınıflandırması yapmak amacıyla bi-yolojik sinir sistemlerinden esinlenen Nöral Devre Politikaları’na (NCP) dayalı hibrit bir derin öğrenme modeli önermektedir. Konuşma sinyallerinin spektral ve zamansal özellik-lerini yakalamak için Mel-Frekans Kepstral Katsayıları (MFCC) ile log-Mel spektrogram öznitelikleri birleştirilmiş ve Conv1D katmanları aracılığıyla öğrenilmiştir. Uzun vadeli zamansal bağımlılıklar ise NCP mimarisi kapsamında tanımlanan Sıvı Zaman Sabiti (LTC) hücreleriyle modellenmiştir. Mozilla Common Voice 12.0 Türkçe veri kümesi üze-rinde 5 katlı tabakalı çapraz doğrulama uygulanmıştır. Conv1D+NCP modeli %99,29 doğruluk ve %99,28 F1 puanı elde ederken UKSB (Uzun Kısa Süreli Bellek) tabanlı model daha düşük performans göstermiştir. NCP tabanlı model daha az parametre ile yüksek doğruluk ve hesaplama verimliliği sunarak gerçek zamanlı uygulamalar için güçlü bir alternatif olduğunu göstermektedir.

Speech is one of the most natural and effective forms of human communication, carry-ing both linguistic and non-linguistic information. Gender classification plays an im-portant role in various applications such as biometric authentication and personalized human–computer interaction. This study proposes a hybrid deep learning model based on Neural Circuit Policies (NCP), inspired by biological neural systems, for gender clas-sification using Turkish speech data. To capture both spectral and temporal characteris-tics of speech signals, Mel-Frequency Cepstral Coefficients (MFCC) and log-Mel spec-trogram features are combined and learned through Conv1D layers. Long-term temporal dependencies are modeled using Liquid Time Constant (LTC) cells defined within the NCP architecture. A 5-fold stratified cross-validation is applied on the Mozilla Common Voice 12.0 Turkish dataset. The proposed Conv1D+NCP model achieves 99.29% accu-racy and a 99.28% F1-score, while the UKSB (Long Short-Term Memory) based model shows lower performance. With fewer parameters, the NCP-based model demonstrates high accuracy and computational efficiency, making it a strong alternative for real-time applications.