在這一節及下一節中，我們將探討前述三種錯誤補償對辨識效果的 幫助。在這一節中我們首先探討的是發生隨機錯誤時的錯誤補償情 況。下表５．３所列出的是通道發生隨機錯誤時，補償通道錯誤對 辨識結果的影響的實驗結果。第一欄列出的是各種不同的位元錯誤 率；第二欄列出的是錯誤補償的方式，其中標示“無”代表沒有做 錯誤補償，標示“消去法”表示基於音框的消去法，標示“外插法
（音）”代表基於音框的外插法，標示“外插法（子）”代表基於 子特徵向量的外插法；第三、四、五欄列出的是在高斯混合數＝２
位元錯誤率 錯誤補 10-4 消去法 40.72/40.65 48.08/48.00 52.79/52.70 10-4 外插法（音） 40.67 48.04 52.86 10-4 外插法（子） 40.64 48.04 52.89 10-3 無 40.21 47.60 52.36 10-3 消去法 40.76/40.03 47.88/47.02 52.77/51.82 10-3 外插法（音） 40.62 48.02 52.85 10-3 外插法（子） 40.65 48.03 52.85 10-2 無 35.94 43.05 47.66 10-2 消去法 29.42/6.85 36.62/8.61 35.90/8.45 10-2 外插法（音） 40.12 47.67 52.29
圖５．１１（Ａ） 高斯混合數＝２，發生隨機錯誤時對位元串流 做錯誤補償所得到的音節辨識正確率。
圖５．１１（Ｂ） 高斯混合數＝４，發生隨機錯誤時對位元串流
圖５．１１（Ｃ） 高斯混合數＝８，發生隨機錯誤時對位元串流 做錯誤補償所得到的音節辨識正確率。
以上三張圖共有六條折線：第一條是發生隨機錯誤、但不做錯誤補 償所得的辨識正確率；第二條是做基於音框的消去法補償所得的辨 識正確率；第三條是做基於音框的外插法補償所得的辨識正確率；
第四條是做基於子特徵向量的外插法補償所得的辨識正確率，以上 三條折線必須要在第一條折線之上，才能顯出補償的效果；第五條 是基礎實驗的辨識正確率；第六條是經過向量量化但沒有隨機錯誤 所得的辨識正確率，因為向量量化後會帶來量化誤差，造成辨識效 果的下降，所以這條折線被我們視為錯誤補償後辨識正確率的上限
。以下是我們對實驗結果的討論。
●基於音框的消去法對錯誤補償沒有幫助
基於音框的消去法之作法是：在４４個用來描述某一特徵向量的位 元中，只要有一個位元發生了錯誤，就把整個特徵向量視為不可靠 的辨識資訊而略去不用。那麼，在不同的位元錯誤率下，略去不用 的特徵向量會有多少個呢？根據之前的討論，
一．在位元錯誤率＝１０－２時，用來描述１個次音節單位的
１１００個位元中平均會有１１個發生錯誤；視群集程度的不 同，最多可以有１１個特徵向量出錯誤，也就是說，最多會略 去１１個特徵向量。
二．在位元錯誤率＞＝１０－３時，用來描述１個次音節單位的 １１００個位元中平均不到一個會發生錯誤，也就是說，在每 個次音節單位所對應的特徵向量可能頂多１個被略去不看。
前面提過，在進行錯誤補償後，我們希望辨識效果能趨近只做向量 量化但沒有隨機錯誤影響時的情況（我們所認定的上限）。觀察使
用消去法時調整過後的的辨識正確率：
一．在位元錯誤率＝１０－２時只剩不到１０％，這印證了之前所提 到的，每個次音節單位中最多將有１１個特徵向量被略去，造 成辨識資訊不足的情形；
二．在位元錯誤率小於或等於１０－３時，使用消去法還是沒有趨近 我們認定的上限。這是因為在位元錯誤率小的時候，可以看到 位元錯誤已經很少，而這個錯誤的位元影響只及於所在的子特 徵向量，其他的子特徵向量在辨識上依然是可信的－－但是略 去整個特徵向量，同樣也略去另外的仍然可信的子特徵向量，
使得這些可信的子特徵向量無法在辨識上造成幫助。
因為消去法不只略去較不可信的資訊，同時也略去可信的資訊，所 以使用消去法所得到的辨識正確率不僅較我們認定的上限來得差，
同時也比有隨機錯誤干擾、但沒有做錯誤補償的情況（雖有不可信 的資訊，但也保留了可信的資訊）來得糟，尤其是高位元錯誤率的 時候。因為對錯誤的補償主要就是要改進在高位元錯誤率時的辨識 效果，因此，在這裡我們可以下一個結論，那就是：消去法對錯誤 補償並沒有幫助！
●兩種外插法可以補償隨機錯誤所帶來的辨識效`果下降
由圖５．１１可以看到，使用兩種外插法所得到的折線都在未做錯 誤補償的折線上，顯示這兩種錯誤補償的方式達到了效果；不僅如 此，這兩條折線均可以逼近我們所認定的上限－－經向量量化但沒 有隨機錯誤的干擾。仔細觀察在不同位元錯誤率時，兩種外插法所 得到的辨識正確率，則可以發現高位元錯誤率（１０－２）時，基於 子特徵向量的外插法較基於音框的外插法還要好一些，而在位元錯 誤率小於１０－３時，則兩種外插法的辨識效果幾乎己經沒有差距。
回想在上一個小節中，基於音框的消去法其辨識之效能較未做錯誤 補償之效能還要差，原因在於：基於音框的消去法將不可信的資訊 略去，但同時也略去可信的資訊，因此造成資料量不足，於是辨識 效果比不做錯誤補償來的差（不做錯誤補償：同時保留可信的、不 可信的資訊）。如果要辨識效果比不做錯誤補償來得好，那麼應該要 能保留可信的資訊，同時也修正不可信的資訊。就兩種外插法而言
，基於子特徵向量的外插法較基於音框的外插法更能達到上述的要 求：因為基於子特徵向量的外插法只有修正有錯誤的子特徵向量部 分，對於其他沒有錯誤的子特徵向量並不做任何修改；但是基於音 框的外插法不只修改了有錯誤的子特徵向量，對於其他沒有錯誤的
子特徵向量也做了修改。所以在位元錯誤率高的地方，基於子特徵 向量的外插法表現得就會比基於音框的外插法要好一些；至於在位 元錯誤率低的地方，位元串流中出錯的位元本來就少，因此在上述 兩種錯誤補償的機制下辨識效果並沒有太大的差異。
基於音框的外插法，既然對整個特徵向量都做了修改，那麼為何在 辨識效果上仍可以勝過消去法、勝過沒有做錯誤補償的、甚至逼近 我們所認定的上限呢？因為基於音框的外插法沒有略去任何的資訊
，不會造成無法辨識的情形，因此辨識效果要比消去法來得好；基 於音框的消去法雖然同時修正了發生錯誤的子特徵向量、以及沒有 發生錯誤的子特徵向量，但是因為音框與音框保有一定的相關性（
外插法使用的原理），使得原先沒有發生錯誤的子特徵向量即使作了 修正，也仍然近似於作修正之前的樣子，因此基於音框的外插法也 滿足了上述「要能保留可信的資訊，同時也修正不可信的資訊」的 要求，所以基於音框的外插法不但可以比沒有做錯誤補償時的辨識 結果來得好，同時也會趨近我們所認定的上限。
最後，從本小節的實驗結果我們可以得到一個重要的結論：對於隨 機錯誤所造成的影響，如果可以建立有效的錯誤偵測機制，那麼在
這一節當中所討論的兩種外插法幾乎可以完全補償因隨機錯誤所帶 來的辨識效果下降；也就是說，整體的音節辨識結果將完全決定在 前章所述的向量量化。