Rozpoznávání souvislé řeči s využitím neuronových sítí

Abstract

Tato bakalářska práce se zaměřuje na oblast rozpoznávání řeči s pomocí neuronových sítí a klade si za cíl implementovat "end-to-end" rozpoznávač řeči jako hlasové uživatelské rozhraní pro robota NAO. Uvažovaná architektura rozpoznávače řeči je složena ze tří důležitých částí: extrakce příznaků signálu řeči za použtí metody mel-frekvenčních kepstrálních koeficientů, rozpoznávače v podobě rekurentní neuronové sítě s "long-short- term-memory" buňkami a algoritmu "connection temporal classification" k získání finalního převedeného textu. Výsledkem této práce je "end-to-end" rozpoznávač řeči, natrénovaný na VCTK korpusu a implementovaný v programovacím jazyce Python s využitím knihovny hlubokého učení TensorFlow.

The aim of this bachelor thesis is to explore the field of speech recognition using neural networks with a goal to implement end-to-end speech recognizer as voice-user interface for robot NAO. The proposed speech recognizer architecture is consisted from three main components: feature extraction of speech signal using mel-frequency cepstrum coefficients method, recognizer as recurrent neural networks with long-short-term-memory cells, and connection temporal classification algorithm for predicting the final transcription. The result of this work is end-to-end speech recognizer trained on VCTK corpus and implemented in programming language Python, using deep learning library TensorFlow.