Математически методи в автоматичното разпознаване на реч

Автори

  • Стоян Михов Институт по информационни и комуникационни технологии, Българска академия на науките https://orcid.org/0000-0003-0279-3457

Ключови думи :

речеви корпус, автоматично разпознаване на реч, език с нисък ресурс

Абстракт

Представяме математическите методи, които се използват в процеса на автома- тично разпознаване на речта. Презентацията е разделена на три части. Започва- ме с кратък преглед на вокалния тракт и съответните уравнения на акустиката, които описват процеса. След това представяме цифровата обработка на сигна- ла, която се осъществява над речевия сигнал, за да се извлекат коефициентите на Мел-честотния кепструм, съответстващи на конфигурацията на артикулаци- ята. Във втората част представяме подход за акустично моделиране, базиран на забавени във времето дълбоки невронни мрежи. Разглеждаме и методологията за машинно обучение на акустичния модел. В третата част описваме използва- нето на монотонни стохастични f-преобразуватели за представяне на езиковия модел. За декодиране на сигнала представяме накратко алгоритъма на Витерби и алгоритъма за търсене по лъча върху стохастичния f-преобразувател. Накрая показваме експериментални резултати за автоматично разпознаване на реч на български език.

Авторска биография

Автор: Стоян Михов, Институт по информационни и комуникационни технологии, Българска академия на науките

Стоян Михов
Институт по информационни и комуникационни технологии
Българска академия на науките
ул. "Акад. Георги Бончев", блок 2
1113 София, България
e-mail: stoyan@lml.bas.bg

Литература (библиография)

L. Deng, Y. Liu. Deep Learning in Natural Language Processing, Springer, 2018.

D. Geneva, G. Shopov, S. Mihov. Building an ASR Corpus Based on Bulgarian Par- liament Speeches. In: Statistical Language and Speech Processing (Eds C. Mart´ın-Vide, M. Purver, S. Pollak). Springer International Publishing, 2019, 188–197.

X. Huang, A. Acero, H.-W. Hon. Spoken Language Processing: A Guide to Theory, Algorithm, and System Development. Prentice hall PTR, 2001. [4] F. Jelinek. Statistical Methods for Speech Recognition. MIT press, 1997.

V. Peddinti, D. Povey, S. Khudanpur. A time delay neural network architecture for efficient modeling of long temporal contexts. In: INTERSPEECH, 2015.

D. Yu, L. Deng., Automatic Speech Recognition. Springer, 2016.

Файлове за сваляне

Публикуван

07.04.2020

Как да цитирате

[1]
Михов, С. 2020. Математически методи в автоматичното разпознаване на реч. Математика и математическо образование. 49, (Апр 2020), 114–122.

Брой

Раздел (Секция)

Доклади по покана