Fundamentals of Speech Recognition and Generation - NPFL038

• Title: Základy rozpoznávání a generování mluvené řeči
• Guaranteed by: Institute of Formal and Applied Linguistics (32-UFAL)
• Faculty: Faculty of Mathematics and Physics
• Actual: from 2020
• Semester: winter
• E-Credits: 5
• Hours per week, examination: winter s.:2/2, C+Ex [HT]
• Capacity: unlimited
• Min. number of students: unlimited
• 4EU+: no
• Virtual mobility / capacity: no
• State of the course: taught
• Language: Czech, English
• Teaching methods: full-time
• Additional information: https://ufal.mff.cuni.cz/courses/npfl038
• Guarantor: Mgr. Nino Peterek, Ph.D.
• Teacher(s): Mgr. Nino Peterek, Ph.D.
• Class: DS, matematická lingvistika; Informatika Mgr. - Matematická lingvistika
• Classification: Informatics > Computer and Formal Linguistics
• Is incompatible with: NPFX038
• Is interchangeable with: NPFX038

Annotation

English

This course deals with speech recognition and generation tasks and feature extraction of voice and utterance characteristics. Of particular interest will be topics related to Hidden Markov Models as applied to speech (FFT, n- dimensional clustering, Gaussian mixtures, parameter value extraction from data, phonetic representation, prosodic analysis etc.) and to their DNN-HMM hybrid models. Preparation and training of own speech recognition and generation models.

Last update: Mírovský Jiří, RNDr., Ph.D. (11.05.2022)

Czech

Tato přednáška se zabývá rozpoznáváním řeči, generováním řeči, extrakcí hlasových rysů a modelováním charakteristik výslovnosti. Zvláštní pozornost je věnována Skrytým Markovovým modelům použitým na řeč (FFT, n-dimenzionální klastrování, extrakci hodnot parametrů z dat, fonetické reprezentaci, prozodické analýze apod.) a jejich DNN-HMM hybridním modelům. Součástí cvičení je natrénování vlastních modelů rozpoznávání a generování řeči.

Last update: Mírovský Jiří, RNDr., Ph.D. (11.05.2022)

Course completion requirements

English

Oral examination and project presentation.

The practical part is controlled through the preparation and presentation of own models for speech recognition and generation.

The presentation is repeatable.

Last update: Peterek Nino, Mgr., Ph.D. (10.06.2019)

Czech

Absolvování ústní zkoušky a zápočet.

Udělení zápočtu je vázáno na přípravu a předvedení vlastních modelů rozpoznávání a generování mluvené řeči.

Zápočet lze opakovat.

Last update: Peterek Nino, Mgr., Ph.D. (10.06.2019)

Literature

English

Gernot A. Fink, Markov Models for Pattern Recognition, Springer, 2014

Steve Young, Dan Kershaw, Julian Odell, Dave Ollason, Valtcho Valtchev, Phil Woodland, The HTK Book, Cambridge, Entropic Ltd. http://htk.eng.cam.ac.uk, 1995-2007

Zdena Palková, Fonetika a fonologie češtiny, Karolinum, Praha, 1997

Dong Yu,Li Deng, Automatic Speech Recognition A Deep Learning Approach, 2015

NPFL038 Details and News

Last update: Peterek Nino, Mgr., Ph.D. (11.05.2022)

Czech

Gernot A. Fink, Markov Models for Pattern Recognition, Springer, 2014

Steve Young, Dan Kershaw, Julian Odell, Dave Ollason, Valtcho Valtchev, Phil Woodland, Cambridge, The HTK Book, Entropic Ltd. http://htk.eng.cam.ac.uk, 1995-2007

Zdena Palková, Fonetika a fonologie češtiny, Karolinum, Praha, 1997

Dong Yu,Li Deng, Automatic Speech Recognition A Deep Learning Approach, 2015

NPFL038 Detaily a novinky

Last update: Peterek Nino, Mgr., Ph.D. (11.05.2022)

Requirements to the exam

English

Exam covers theoretical part of the course (syllabus), there is only oral exam.

Finalisation of practical part is not necessary before the exam.

Last update: Peterek Nino, Mgr., Ph.D. (13.10.2017)

Czech

Zkouška probíhá ústní formou a pokrývá teoretickou část předmětu (sylabu).

Zápočet není nutnou podmínkou k účasti u zkoušky.

Last update: Peterek Nino, Mgr., Ph.D. (13.10.2017)

Syllabus

English

Introduction to Speech Production and Perception.

General Principles of Automatic Speech Recognition (HMM)

• Isolated Word Recognition,

• Output Probability Specification,

• Baum-Welch Re-Estimation,

• Recognition and Viterbi Decoding,

• Continuous Speech Recognition,

• Speaker Adaptation.

HTK Tools description

• Data Preparation Tools,

• Training Tools,

• Recognition Tools,

• Analysis Tool.

Data Preparation

• the Task Grammar,

• the Language Model,

• the Dictionary,

• Recording the Data, Creating the Transcription Files, Coding the Data.

Creating Monophone HMMs

• Creating Flat Start Monophones,

• Fixing the Silence Models,

• Realigning the Training Data.

Creating Triphones HMMs

• Making Triphones from Monophones,

• Making Tied-State Triphones,

• Splitting States.

Recogniser Evaluation.

General Principles of Automatic Speech Generation.

Speech Prosody Analysis.

Last update: Peterek Nino, Mgr., Ph.D. (13.10.2017)

Czech

Úvod do produkce a vnímání řeči.

Základní principy automatického zpracování řeči (HMM)

• rozpoznávání izolovaných slov,

• definice výstupních pravděpodobností,

• Baum-Welch trénovací algoritmus,

• rozpoznávání a Viterbi algoritmus,

• rozpoznávání plynulé řeči,

• adaptace modelů na mluvčího.

Popis softwarového nářadí HTK

• moduly pro přípravu dat,

• moduly pro trénování, rozpoznávání a testování.

Příprava dat

• gramatika úlohy,

• jazykový model,

• fonetický slovník,

• nahrání dat, jejich přepis a kódování.

Vytvoření HMM monofonémů

• vytvoření startovních modelů bez znalosti časových hranic fonémů,

• ošetření modelu ticha,

• automatické doladění přepisů.

Vytvoření HMM trifonémů

• převod monofonému na trifonémy,

• trifonémové sdílení stavů pomocí rozhodovacích stromů,

• zjemnění pravděpodobnostních funkcí.

Metody vyhodnocení úspešnosti rozpoznávače.

Základní principy automatického generování řeči.

Analýza prosodie mluvené řeči.

Last update: Peterek Nino, Mgr., Ph.D. (13.10.2017)