Model pro rozpoznání diktovaných čísel pro společnost poskytující interactive voice response (IVR)

Abstract

Tato práce se zaměřuje na problém automatického rozpoznání řeči (ASR). Cílem této práce je vytvořit model strojového učení k rozpoznání čísel v českém jazyce, která byla nadiktována v rámci telefonního hovoru. Systémy ASR se potýkají se specifickými problémy souvisejícími s doménou rozpoznání řeči. Proto, aby byly splněné určité požadavky příznačné českému jazyku, musel být aplikován speciální způsob předzpracování dat a vývoje modelu. Na základě průzkumu populárních state-of-the-art přístupů v oblasti ASR je vyvinut model pro výše uvedenou úlohu. Jsou diskutována specifika dané domény včetně předzpracování dat a ladění modelu. Dále je pro dataset specifické domény představeno rozšíření o dostupné datasety českého jazyka. Nakonec je popsán průběh vývoje a vylepšení objevená během vývoje. Výsledky ukazují, že bylo dosaženo desetinásobného zlepšení správného rozpoznávání nahrávek obsahujících sekvenci diktovaných čísel. Model výrazně překonává současné nejlepší řešení od českých společností zabývajících se rozpoznáváním řeči, stejně jako řešení od společností Google a Microsoft. Kromě toho je dosaženo nejnižšího skóre WER z dostupných nekomerčních modelů pro doménově neomezenou datovou sadu pro český jazyk Common Voice 8.

This thesis focuses on the problem of automatic speech recognition (ASR). Namely, the specific task of this work is to create a machine learning model to recognize numbers in the Czech language, dictated in a phone call. ASR systems face specific domain-related problems of speech recognition. Therefore, to meet certain requirements peculiar to the Czech language, a custom approach for the preprocessing and model development has to be applied. Based on the survey of the popular state-of-the-art and trending approaches in the ASR field, the model applicable for the above-mentioned task is developed. Specificity of the domain, including data preprocessing and model fine-tuning, is discussed. Additionally, a specific domain dataset extension using the available Czech language datasets is presented. Finally, the development progress and improvements discovered during the development process are described. The results show that an 10-fold improvement in the correct recognition of recordings containing a sequence of dictated numbers is attained. The model vastly outperforms the current best solution from Czech speech recognition companies, as well as solutions from Google and Microsoft. Additionally, the lowest WER score of the available non-commercial models for the domain-agnostic dataset for the Czech language Common Voice 8 is achieved.