Odezírání

Abstract

Táto diplomová práca sa zaoberá automatickým čítaním pier v českom jazyku. Rozpoznávanie reči prebieha v nekontrolovanom prostredí, pre ktoré sú charakteristické rôzne svetelné podmienky, rôznorodé pozadie a rôzni rečníci. Všetky spomínané faktory komplikujú vizuálne spracovanie pohybov pier. Na základe existujúcich riešení pre iné jazyky, táto práca implementuje a vyhodnocuje podobné princípy v českom jazyku. Z dôvodu limitovanch zdrojov dát pre iné jazyky ako je angličtina, táto práca taktiež obsahuje proces vytvárania trénovacieho, validačného a testovacieho datasetu v českom jazyku. Vyhodnotenie následne prebieha na novovytvorenom datasete, ktorý vznikol v spolupráci s Českou Televíziou.

This diploma thesis focuses on the automatic lip reading for Czech language. This automatic speech recognition is performed in uncontrolled environments that are characterized by varied lighting conditions, diverse backgrounds and multiple different speakers all of which complicate the visual processing of lip movements. This thesis inspects existing approaches for other languages and applies and evaluates similar principles to the Czech language using deep learning. Recognizing the limited resources in non-English datasets for lip reading, this work also involves the creation of a tailored train, validation and test dataset to facilitate model training and evaluation. The evaluation is done using newly created Czech lipreading testing dataset created with help of Czech Television as a part of this thesis.