Алгоритмы распознавания речи

При решении задач, связанных с распознаванием (Speech-To-Text) и генерацией (Text-To-Speech) речи важно, чтобы транскрипт соответствовал тому, что произнёс говорящий — то есть реально устной речи. Это означает, что прежде чем письменная речь станет нашим транскриптом, её нужно нормализовать.

Предыдущая часть: Часть 1

1- Введение в распознавание образов

Лекция является введением в теорию распознавания образов. В ней раскрываются вопросы параметризации, нормализации, классификации и т.д.

2- Введение в распознавание речи

Сегодня мы будем эксплуатировать чужие облака.

FAIR опубликовали самый крупный датасет для распознавания речи. Libri-light содержит 60 тысяч часов неразмеченной речи на английском языке. 

Реклама в подкастах бесит: игнорировать её сложно, поэтому приходится слушать. Разработчик Александр Сторелли пытается побудить создателей радиошоу переходить на другие бизнес-модели. Для этого он написал программу, которая убирает рекламу из подкастов.

К 2020 году коммуникации между бизнесом и клиентом будут автоматизированы, уверены эксперты консалтинговой компании Gartner. По статистике, в прошлом предприятия теряли до 30% входящих звонков — сотрудники колл-центров пропускали обращения или отвечали некомпетентно, отпугивая клиентов. 

Преобразование Фурье – одно из базовых понятий в обработке сигналов и анализе данных. Но что оно означает? Геометрическая интерпретация.

Возьмём классическую задачу – работу со звуком. Теперь добавим конкретики.

Нейросеть переводит речь напрямую, пропуская этап конвертации аудио в текст.

Google разработала алгоритм Translatotron, который напрямую переводит устную речь на разные языки, минуя конвертацию в текст. Система также умеет сохранять голос и интонацию пользователя. Об этом компания сообщила в своём блоге.

Наш курс продолжается, его вторая часть активно разрабатывается, и уже на этой неделе состоится занятие по распознаванию речи (speech2text) ?

Тем временем мы решили собрать текущие занятия второй части курса в одном месте (напомним, что всё публикуется на нашем YouTube-канале, ссылка есть в Ссылках сообщества) ?

ACM SIGCHI / YouTube

Это туториал по использованию библиотеки pocketsphinx на Python. Надеюсь он поможет вам
побыстрее разобраться с этой библиотекой и не наступать на мои грабли.

giphy.com

Федор Беломоев из Санкт-Петербурга изобрел устройство, которое заменяет слепоглухим людям слух и голос.

Из статьи вы узнаете, что такое глубинное обучение. Также статья содержит множество ресурсов, которые вы сможете использовать для освоения этой области.

Издание Harvard Business Review опубликовало колонку создателя подразделения Google Brain и основателя сервиса онлайн-обучения Coursera Эндрю Ына о том, на что способны и не способны современные технологии искусственного интеллекта. Редакция vc.ru публикует адаптированный перевод материала.

Microsoft / Youtube

Компания Microsoft усовершенствовала систему распознавания устной речи, работа которой основана на использовании нейросетей. Теперь система делает меньше ошибок, чем профессиональный специалист по набору текста. Статья ученых, описывающая программу, выложена на сервере препринтов ArXiv.

Введение в распознавание образов

1. Введение в распознавание образов

Лекция является введением в теорию распознавания образов. В ней раскрываются вопросы параметризации, нормализации, классификации и т.д.

2. Введение в распознавание речи