Algoritmy rozpoznávání mluvené řeči - NPFL079
Anglický název: Algorithms in Speech Recognition
Zajišťuje: Ústav formální a aplikované lingvistiky (32-UFAL)
Fakulta: Matematicko-fyzikální fakulta
Platnost: od 2018 do 2018
Semestr: letní
E-Kredity: 6
Rozsah, examinace: letní s.:2/2 Z+Zk [hodiny/týden]
Počet míst: neomezen
Minimální obsazenost: neomezen
Stav předmětu: vyučován
Jazyk výuky: čeština, angličtina
Způsob výuky: prezenční
Garant: Mgr. Nino Peterek, Ph.D.
Třída: DS, matematická lingvistika
Informatika Mgr. - volitelný
Kategorizace předmětu: Informatika > Počítačová a formální lingvistika
Výsledky anket   Termíny zkoušek   Rozvrh   Nástěnka   
Anotace -
Poslední úprava: Mgr. Barbora Vidová Hladká, Ph.D. (25.04.2019)
Přednáška provádí posluchače současnými postupy a nástroji počítačového zpracování mluvené řeči umožňujícími budovat systémy pro automatický přepis a rozpoznávání mluvené řeči, hlasové dialogové systémy či hlasovou identifikaci mluvčích. Budou popsány principy, příprava a dekódovací algoritmy akustických a jazykových modelů (HMM, n-gramové a strukturované jazykové modely, FSM, grafové modely, heuristické prohledávání, neuronové sítě). Přednáška volně navazuje na úvodní seminář NPFL038 a vhodně se doplňuje s přednáškami NPFL067, NPFL068.
Podmínky zakončení předmětu -
Poslední úprava: Mgr. Nino Peterek, Ph.D. (10.06.2019)

Vypracování tří malých projektů (první dva na společné zadání, třetí jako naprogramování menší řečové aplikace s pomocí dostupných nástrojů nebo naprogramování rozšiřující funkce řečové knihovny) a ústní zkouška z probraných témat předmětu.

Literatura -
Poslední úprava: Mgr. Nino Peterek, Ph.D. (09.05.2019)

[JEL] F. Jelinek, Statistical Methods for Speech Recognition, MIT Press, 1998

[PSU] J. Psutka, L. Müller, J. Matoušek, V. Radová, Mluvíme s počítačem česky, Academia, 2006

[SPO] X. Huang, A. Acero, H. Hon, Spoken Language Processing, Prentice-Hall, 2001

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

Požadavky ke zkoušce -
Poslední úprava: Mgr. Nino Peterek, Ph.D. (10.06.2019)

Zkouška probíhá ústní formou a pokrývá v hodinách probraná témata.

Zápočet není nutnou podmínkou k účasti u zkoušky.

Sylabus -
Poslední úprava: Mgr. Nino Peterek, Ph.D. (11.06.2019)

Přehled řečových technologií

  • nesamozřejmosti hlasové komunikace,
  • hlavní aplikace oboru a jejich architektura,
  • použité teorie a modely,
  • programátorské nástroje a knihovny,
  • knihy a časopisy řečových technologií.

Modelování akustiky (SPO C8-C9 | JEL C2-C3 | PSU C5.3 | DLA C3+C6, částečně opakování z NPFL038)

  • struktura a parametry skrytých Markovových modelů(HMM),
  • vyhodnocení skóre promluvy (Viterbi algoritmus),
  • trénování parametrů HMM (Baum-Welch a Viterbi algoritmus),
  • získání příznaků řeči, ohodnocení akustických příznaků (MFCC, složené gausiány, shlukování parametrů),
  • adaptace modelů na mluvčího (MAP, MLLR),
  • míra důvěryhodnosti rozpoznávání (confidence measure),
  • softwarové nástroje rozpoznávání mluvené řeči (Kaldi).

Modelování jazyka (NPFL067 | JEL C4 | SPO C11 | PSU 5.4)

  • metody statistického modelování jazyka,
  • n-gramy, vyhlazování modelů (Good-Turing, Katz), adaptační jazykové modely,
  • strukturované jazykové modely (PCFG),
  • odlišnosti modelování mluveného a psaného jazyka,
  • transducery a softwarové nástroje jazykového modelování (Kaldi).

Základní dekódovací techniky (SPO C12 | JEL C5-C6 | PSU C6)

  • prohledávací algoritmy řeči (stavové prostory a heuristiky),
  • kombinace akustiky a jazykového modelu (uni-, bi-, trigramy),
  • časově synchronní prohledávání (Viterbi, prořezávání, lexikální stromy),
  • stavově synchronní prohledáván.

Algoritmy rozpoznávání pro rozsáhlé slovníky (SPO C13 | JEL C5-C6 | PSU 6.7.3, 6.7.5, 6.10)

  • efektivní manipulace lexikálního stromu,
  • seznam N-nejlepších hypotéz a víceprůchodová strategie.

Hlasové dialogové systémy (SPO C17 | PSU C11)

  • charakteristiky spontánních dialogů,
  • prosodie a struktura dialogu,
  • sémantická representace,
  • řízení dialogu, detekce emocí,
  • Voice XML.

Identifikace řečníka (PSU C9)

  • typy systémů,
  • vybrané charakteristiky řeči pro rozpoznávání řečníka,
  • základní přístupy.

Přednáška volně navazuje na úvodní seminář NPFL038 a vhodně se doplňuje s přednáškami NPFL067, NPFL068, NPFL123.

Na cvičení budou představovány a používány softwarové nástroje a knihovny v návaznosti na probíraná témata.