Použití mluvených korpusů ve vývoji systému pro rozpoznávání českých přednášek

Use of spoken corpora in the development of system for recognition of Czech lectures

prezentace,poster

čeština

Mikolov Tomáš, Ing. (UPGM FIT VUT)
Oparin Ilya (ZČU v Plzni)
Glembek Ondřej, Ing., Ph.D. (UPGM FIT VUT)
Burget Lukáš, doc. Ing., Ph.D. (UPGM FIT VUT)
Karafiát Martin, Ing., Ph.D. (UPGM FIT VUT)
Černocký Jan, prof. Dr. Ing. (UPGM FIT VUT)

rozpoznávání řeči

Článek je o použití mluvených korpusů ve vývoji systému pro rozpoznávání českých přednášek

Skupina automatického zpracování mluvené řeči na Fakultě informačních technologií VUT v Brně - Speech@FIT - je aktivní v mnoha oblastech automatického zpracování mluvené řeči jako je přepis na text, detekce klíčových slov, ověřování mluvčího a identifikace jazyka. V poslední době se zabývá rozpoznáváním spontánní mluvené řeči v přednáškách. Tento příspěvek se zabývá použitím českých mluvených korpusů pro trénování jazykového modelu pro přednášky. Ukázali jsme, že jazykové modely trénované na mluvených korpusech předčí modely trénované čistě na textových datech. Ještě lepších výsledků bylo ovšem dosaženo s daty přímo z cílové domény rozpoznávání. Experimentální výsledky jsou ukázány na perplexitě jazykového modelu na cílových datech a na konečné úspěšnosti rozpoznávání.

2007

1-5

Čeština v mluveném korpusu, Praha, Ústav Českého národního korpusu FF UK, CZ

Univerzita Karlova

Praha, CZ