Czasopismo | PRZEGLĄD ELEKTROTECHNICZNY | Rocznik 2016 - zeszyt 11

Kaldi Toolkit in Polish Whispery Speech Recognition

10.15199/48.2016.11.70

nr katalogowy: 102012
10.15199/48.2016.11.70

In this paper, the automatic speech recognition task has been presented. Used toolkits, libraries and prepared speech corpus have been described. The obtained results suggest, that using different acoustic models for normal speech and whispered speech can reduce word error rate. The optimal training steps has been also selected. Thanks to the additional simulations it has been found that used corpus (over 9 hours of normal speech and the same of the whispery speech) is definitely too small and must be enlarged in the future. Streszczenie. W artykule przedstawiono automatyczne rozpoznawanie mowy. Wykorzystane narzędzia, biblioteki i korpus opisano w artykule. Uzyskane wyniki wskazują, że wykorzystując różne modele akustyczne dla mowy zwykłej i szeptanej uzyskuje się polepszenie skuteczności rozpoznawania mowy. W wyniku wykonanych badań wskazano również optymalną kolejność kroków treningu. Dzięki dodatkowym obliczeniom stwierdzono, że użyty korpus (ponad 9 godzin zwykłej mowy i drugie tyle szeptu) jest zdecydowanie za mały do dobrego wytrenowania systemu rozpoznawania mowy i w przyszłości musi zostać powiększony. (Narzędzia Kaldi w rozpoznawaniu polskiej mowy szeptanej). Keywords: speech recognition, ASR, whispered speech, database. Słowa kluczowe: rozpoznawanie mowy, ASR, mowa szeptana, baza danych. Introduction The automatic speech recognition (ASR) systems become more widely used and are available in most of modern phones as well as in many websites. Those systems are, usually, an alternative to the manual text input, e.g. SMS messages. ASR can be also used for more sophisticated tasks, as support of a speech transcription (e.g. in a parliament or in an army). Most of research in the literature is focused on a normal speech, while the whispery speech is rarely explored (but the largest electronics companies are interested in this topic [1,2]). Apart from the military and reconnaissance usage, automatic whispery speech recognition (A[...]

Bibliografia

[1] Hong S.J., Method and Apparatus for Recognizing Whisper, U.S. Patent Application, No. US14579134 (filed December 22, 2014)
[2] Huang X., Acero A., Alleva F., Hwang M.Y., Jiang L., Mahajan M., Microsoft Windows Highly Intelligent Speech Recognizer: Whisper, In Acoustics, Speech, and Signal Processing, 1995 International Conference on (ICASSP-95), 1 (May 1995), 93-96
[3] Sharifzadeh H.R., McLoughlin I.V., Ahmadi F., Reconstruction of Normal Sounding Speech for Laryngectomy Patients through a Modified CELP Codec, Biomedical Engineering, IEEE Transactions on, 57 (2010), No. 10, 2448-2458
[4] Cummins F., Grimaldi M., Leonard T., Simko J., The Chains Corpus: Characterizing Individual Speakers, In Proc. of SPECOM, 6 (2006), 431-435
[5] Żelasko P., Ziółko B., Jadczyk T., Skurzok D., AGH Corpus of Polish Speech, Language Resources and Evaluation, (2015), 1-17, DOI: 10.1007/s10579-015-9302-y
[6] Szostek K., Optimization of HMM models and their application in speech recognition (in Polish), Elektrotechnika i Elektronika, 24 (2005), No. 2, 172-182
[7] Plannerer B., An Introduction to Speech Recognition, Munich, Germany (2005)
[8] Wanat I., Iwaniec M., Creation of the acoustic model for speaker recognition using hidden Markov models (in Polish), Modelowanie Inżynierskie, 9 (2010), No. 40, 249-256
[9] Miao Y., Kaldi+PDNN: Building DNN-based ASR Systems with Kaldi and PDNN, arXiv preprint arXiv:1401.6984 (2014)
[10] Mohanty R., Mohanty P., A Review: Neural Networks used for Speech Recognition, IJRECE, 4 (2016), No. 1, 01-05
[11] Povey D., Ghoshal A., Boulianne G., Burget L., et al., The Kaldi Speech Recognition Toolkit, In IEEE 2011 workshop on automatic speech recognition and understanding, (2011), No. EPFL-CONF-192584
[12] Platek O., Speech Recognition using KALDI, Master thesis, Charles University in Prague, Faculty of Mathematics and Physics (2014)
[13] Allauzen C., Riley M., Schalkwyk J., Skut W., Mohri M., OpenFst: A General and Efficient Eeighted Finite-State Transducer Library, In Implementation and Application of Automata, Springer Berlin Heidelberg (2007), 11-23
[14] Stolcke A., SRILM-an Extensible Language Modeling Toolkit, In Proc. Intl. Conf. Spoken Language Processing (INTERSPEECH), Denver, Colorado (September 2002)
[15] Bisani M., Ney H., Joint-Sequence Models for Grapheme-to- Phoneme Conversion, Speech Communication, 50 (2008), No. 5, 434-451
[16] Wypych M., Baranowska E., Demenko G., A Grapheme-to- Phoneme Transcription Algorithm Based on the SAMPA Alphabet Extension for the Polish Language, Phonetic Sciences, 15th International Congress of (ICPhS), Barcelona (August 2003), 2601-2604

Jeśli masz wykupiony/przyznany dostęp - zaloguj się. Skorzystaj z naszych propozycji zakupu!

Publikacja


e-Publikacja (format pdf) - nr 102012 "Kaldi Toolkit in Polish W..." licencja: Osobista Produkt cyfrowy	10.00 zł

Zeszyt


PRZEGLĄD ELEKTROTECHNICZNY - e-zeszyt (pdf) 2016-11 licencja: Osobista Produkt cyfrowy	55.00 zł

Prenumerata

PRZEGLĄD ELEKTROTECHNICZNY - prenumerata cyfrowa
licencja: Osobista

Produkt cyfrowy
Nowość

762.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS (Prenumerata papierowa + dostęp do portalu sigma-not.pl + e-prenumerata)	1002.00 zł brutto 927.78 zł netto 74.22 zł VAT (stawka VAT 8%)

1002.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna + wysyłka
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna	960.00 zł brutto 888.89 zł netto 71.11 zł VAT (stawka VAT 8%)
PRZEGLĄD ELEKTROTECHNICZNY - pakowanie i wysyłka	42.00 zł brutto 34.15 zł netto 7.85 zł VAT (stawka VAT 23%)

1002.00 zł

Zeszyt

2016-11

Twój Koszyk

Publikacja

Zeszyt

Prenumerata

Zeszyt

Czasopisma