Detail předmětu

Moderní metody zpracování řeči

FIT-MZDAk. rok: 2020/2021

Od jednoduchých systémů k rozpoznávání ke statistickému modelování. Skryté Markovovy modely (HMM). Rozpoznávání souvislé řeči s velkým slovníkem. Jazykové modely. Tvorba řeči. Slyšení řeči: čas a frekvence. Metody pro odvození příznaků pro rozpoznávání založené na datech. Řečové databáze. Buzení v kódování řeči, CELP. Identifikace mluvčího.

Okruhy otázek k SDZ

  1. Základní pojmy z rozpoznávání řeči: reprezentace signálu, struktura rozpoznávacího systému.
  2. Extrakce řečových příznaků: MFCC a PLP koeficienty, redukce dimenzionality, příznaky založené na neuronových sítích.
  3. Skryté Markovovy modely pro rozpoznávání, základní definice - stav, přechod, vysílací hustoty pravděpodobnosti, přechodové pravděpodobnosti, sekvence stavů, Baum-Welchova a Viterbiho věrohodnost.
  4. Rozpoznávání s HMM systémem a reprezentace výstupu - 1-best, N-best, lattices. Rozpoznávací systém založený na kompozici konečných stavových automatů.
  5. Trénování HMM systému - maximum likelihood a diskriminativní trénování.
  6. Jazykové modelování - n-gramy, principy aproximace neznámých pravděpodobností.
  7. Detekce klíčových slov - pojem proti-modelu a poměru věrohodností.
  8. Rozpoznávání jazyka - akustický a fototaktický přístup, omezení vlivu nerelevantní informace.
  9. Rozpoznávání mluvčího - základní přístupy, přístupy založené na zpracování nízko-rozměrných vektorů v reprezentativním pod-prostoru.
  10. Využití neuronových sítí v rozpoznávání řeči: tandemová a hybridní struktura, jazykové modely založené na NN, extrakce parametrů pomocí NN.


Výsledky učení předmětu

Absolvování předmětu umožní posluchači realizovat jednoduché aplikace
jako např. hlasové ovládání programu, ale především se zapojit do
vývoje komplexních systémů pro rozpoznávání a kódování řeči
využívajících moderní metody, a to v akademické i průmyslové sféře.

Prerekvizity

základní znalost číslicového zpracování signálů, absolvování základního kursu o zpracování řeči je výhodou.

Doporučená nebo povinná literatura

Moore, B.C.J., : An introduction to the psychology of hearing, Academic Press, 1989 (EN)
Jelinek, F.: Statistical Methods for Speech Recognition, MIT Press, 1998 (EN)
Fukunaga, K.: Introduction to Statistical Pattern Recognition, Academic Press, 1990 (EN)
Vapnik, V. N.: Statistical Learning Theory, Wiley-Interscience, 1998 (EN)
Dutoit, T.: An Introduction to Text-To-Speech Synthesis, Kluwer Academic Publishers, 1997 (EN)
Ben Gold, Nelson Morgan, Dan Ellis: Speech and Audio Signal Processing: Processing and Perception of Speech and Music Hardcover, Wiley-Interscience; 2nd Edition, 2011.
Psutka, J.: Komunikace s s počítačem mluvenou řečí. Academia, Praha, 1995 (EN)
Dong Yu, Li Deng:  Automatic Speech Recognition: A Deep Learning Approach, Springer, 2014.
Homayoon Beigi: Fundamentals of Speaker Recognition, Springer, 2011
Gold, B., Morgan, N.: Speech and audio signal processing, John Wiley & Sons, 2000 (EN)
Daniel Jurafsky, James H. Martin: SPEECH & LANGUAGE PROCESSING, 2nd edition,  Prentice Hall, 2008.
Texty z  http://www.fit.vutbr.cz/~cernocky/speech/ (EN)

Jazyk výuky

čeština, angličtina

Cíl

Zmíníme se o metodách v současnosti implementovaných v
průmyslových aplikacích (jako GSM telefony nebo komerčně dostupné
rozpoznávače), ale neopomeneme ani perspektivní metody existující zatím
pouze ve výzkumných laboratořích. Zvláštní pozornost bude věnována
postupům odvozeným na řečových datech a využití poznatků o tvorbě a
slyšení řeči lidmi.

Vymezení kontrolované výuky a způsob jejího provádění a formy nahrazování zameškané výuky

výuka není kontrolována, předmět je hodnocen na základě zkoušky nebo závěrečné zprávy

Zařazení předmětu ve studijních plánech

  • Program VTI-DR-4 doktorský

    obor DVI4 , libovolný ročník, zimní semestr, 0 kreditů, volitelný

  • Program VTI-DR-4 doktorský

    obor DVI4 , libovolný ročník, zimní semestr, 0 kreditů, volitelný

Typ (způsob) výuky

 

Přednáška

39 hod., nepovinná

Vyučující / Lektor

Osnova


  1. Základní pojmy: signálové vektory a matice parametrů,
    statistiky.

  2. Statistické modelování parametrů, modelování času stavovými sekvencemi.

  3. Skryté Markovovy modely (HMM), struktura, trénování.

  4. Rozpoznávání řeči pomocí HMM: Viterbiho algoritmus, předávání žetonů (token passing).

  5. ýslovnostní slovníky a jazykové modely.

  6. Tvorba řeči a odvozené parametry: LPC, log area ratios (LAR), line spectral pairs (LSP).

  7. Slyšení řeči a odvozené parametry - Mel-frekvenční cepstrální koeficienty, Perceptual linear prediction (PLP).

  8. Časové vlastnosti sluchu - RASTA filtrování.

  9. Trénování výpočtu příznaků na datech: lineární diskriminační analýza.

  10. Řečové databáze: standardy, obsah, mluvčí, anotace.

  11. Vokodéry a modelování jejich buzení, multipulsní a statistické modelování (GSM kódování).

  12. CELP kódování: dlouhodobý prediktor, kódové knihy. Kódování s velmi malým bitovým tokem.

  13. Současné metody identifikace a ověřování mluvčího.

Konzultace v kombinovaném studiu

26 hod., nepovinná

Vyučující / Lektor

eLearning