Přejít k obsahu


SEASR-CZE - rozpoznávač řeči pro účely vyhledávání s modely pro češtinu

Citace: [] PRAŽÁK, A., PSUTKA JR., J., ŠVEC, J., MÜLLER, L., IRCING, P. SEASR-CZE - rozpoznávač řeči pro účely vyhledávání s modely pro češtinu. 2012.
Druh: SOFTWARE
Jazyk publikace: cze
Anglický název: SEASR-CZE - speech recognizer for search purposes with models for the Czech language
Rok vydání: 2012
Název zdroje: Západočeská univerzita v Plzni
Autoři: Ing. Aleš Pražák Ph.D. , Ing. Mgr. Josef Psutka jr. Ph.D. , Ing. Jan Švec , Doc. Ing. Luděk Müller Ph.D. , Ing. Pavel Ircing Ph.D. ,
Abstrakt CZ: Standardní systém rozpoznávání řeči sestává z akustického modelu, modulu pro parametrizaci řeči a jazykového modelu. Akustické modely v našem systému jsou založeny na architektuře skrytých Markovových modelů (HMM), která představuje ?lege artis? přístup v současném rozpoznávání mluvené řeči. Jsou použity standardní třístavové akustické modely s Gaussovskými směsmi. Model bere v úvahu trifónové závislosti včetně mezislovních. Řeč je parametrizována pomocí 15 PLP koeficientů a jejich delta a delta-delta derivací (tj. vektor příznaků má dimenzi 45). Příznaky jsou extrahovány 100x za vteřinu a je aplikována kepstrální normalizace na úrovni řečníka. Systém obsahuje též zobecněný model ticha a při jeho tvorbě byly použity špičkové metody pro adaptivní a diskriminativní trénování. Pokud se týká jazykového modelu, systém obsahuje dva základní modely ? oba trigramové. První z nich je natrénován pouze z pomocí přepisů z ?mateřské? domény, zatímco druhý využívá jako trénovací data texty z rozsáhlého Českého národního korpusu. Vlastní řečový dekodér může být použit v dvouprůchodovém režimu (stále ale zajišťujícím zpracování v reálném čase) ? v prvním průchodu se většinou používá obecný jazykový model a ve druhém jsou reskórovány získané mřížky modelem sofistikovanějším. Dekodér generuje slovní a fonémové mřížky pro následné efektivní vyhledávání.
Abstrakt EN: The standard ASR system consists of acoustic model, speech parameterization module and language model. The acoustic models in our system are based on the state-of-the-art hidden Markov models (HMM) architecture. Standard 3-state left-to-right models with a mixture of multiple Gaussians in each state are used. Triphone dependencies (including the cross-word ones) are taken into account. The speech data were parameterized as 15-dimensional PLP cepstral features including their delta and delta-delta derivatives (resulting into 45-dimensional feature vectors). These features were computed at the rate of 100 frames per second. Cepstral mean subtraction was applied per speaker. As was already mentioned, non-speech events appearing in spontaneous speech of survivors were also annotated. We used these annotated events to train a generalized model of silence. The state-of-the-art speaker adaptive training and discriminative training algorithms were employed to further improve the quality of the acoustic models. As for language modeling, two basic trigram language models were trained. The first one was estimated using only the acoustic training set transcripts, and the second was trained from the selection of the Czech National Corpus (CNC). The ASR decoder itself can be used in two recognition passes, still keeping the processing in real-time ? first pass usually employs general language model and the second one rescores the obtained lattices with a more sophisticated one. At the end, the system generates both word and phoneme lattices for consequent effective search.
Klíčová slova

Zpět

Patička