Optimalizace akustického modelu a segmentace dlouhých záznamů v systému pro automatický přepis přednášek

Abstract

Tato diplomová práce se zabývá automatickým rozpoznáváním řeči (ASR) pro dlouhé nahrávky spontánní mluvené češtiny, a to na základě architektury DNN-HMM implementované pomocí nástroje Kaldi. Systém využívá tématicky zaměřený jazykový model upravený pro přednášky z kurzu Zpracování řeči a řetězovou strukturu TDNN. Hlavním cílem práce je zlepšit omezení dřívějšího systému. Mezi navržená vylepšení patří použití překrývajicích se segmentů pro získání většího kontextu a zohlednění neřečových událostí, jako jsou vyplněné pauzy nebo zvuky produkované mluvčím, které jsou typické pro spontánní řeč. Implementovaný systém byl porovnán s dříve dostupným modelem a vykázal mírné zlepšení přesnosti rozpoznávání na rozšířené testovací množině, kde došlo ke snížení hodnoty míry chybovosti slov (WER) přibližně o 0.5% na 16.42%. Systém byl dále testován na přednáškách z kurzu Číslicové zpracování signálů, kde byla naměřena hodnota WER 20.54%. Součástí práce je také analýza dopadu rozšíření trénovací množiny pro akustický model. Výsledky ukazují, že přidání dalších dat nemusí nutně vést ke zlepšení kvality přepisu.

This thesis presents an Automatic Speech Recognition (ASR) system for long recordings of spontaneous Czech speech based on a DNN-HMM architecture implemented using the Kaldi toolkit. The system includes a topic-specific language model tailored to lectures from the Speech Processing course and a Time-Delay Neural Network (TDNN) chain structure. The main focus of the work is to improve the limitations of an earlier system. Enhancements include overlapping segments to provide additional contextual information and using non-speech events such as filled pauses and speaker-related noises, typical for spontaneous speech. The implemented system was compared with the previously available model, showing a slight improvement in recognition accuracy on an enlarged test dataset, reducing the Word Error Rate (WER) by approximately 0.5% to 16.42%. Furthermore, the system was evaluated on lectures from the Digital Signal Processing course, where the WER of 20.54% was obtained. Additionally, the thesis investigates the impact of expanding the training data for the acoustic model. The results indicate that adding more data does not necessarily improve transcription quality.