Zpracování řeči - B2M31ZRE

Kredity 6
Semestry letní
Zakončení zápočet a zkouška
Jazyk výuky čeština
Rozsah výuky 2P+2C
Anotace
Předmět je zaměřen na problematiku zpracování řečových signálů. Tato problematika má široký aplikační záběr v různých systémech z mnoha odvětví, kde nejvýznamnější aplikace jsou informační dialogové systémy, hlasové ovládání zařízení, diktovací systémy resp. transkripce audio/video záznamů, podpora výuky jazyků, automatický hlasový výstup. V rámci předmětu studenti se studenti seznámí se základními algoritmy analýzy řeči (spektrální analýza, LPC, kepstrální reprezentace, základní tón, formanty, apod.), principy rozpoznávání řeči (GMM-HMM, ANN-HMM systémy, rozpoznávače s malým i velkým slovníkem), s rozpoznáváním řečníka (na bázi GMM či VQ), se syntézou řeči či zvýrazňováním řeči snímané v hlučném prostředí. Další informace lze nalézt na http://noel.feld.cvut.cz/vyu/a2m31zre. Pro zapsané studenty jsou detailní informace na výukovém portálu Moodle FEL.
Cíle studia
Cílem předmětu je seznámit studenty se základy používaných řečových technologií v multimediálních systémech, od základních charakteristik řečového signálu, přes zvýrazňování řeči, základní principy rozpoznávání řeči a syntézy řečového signálu až po zpracování audio-vizuálního řečového signálu. Ve cvičeních studenti prakticky zrealizují základní úlohy v programovém prostředí MATLAB resp. si vyzkouší použití volně dostupných nástrojů pro analýzu řečového signálu.  
Osnovy přednášek
1. Úvod - model vzniku a vnímání řeči, základní charakteristiky (fonetické a artikulační aspekty)
2. Spektrální charakteristiky řečového signálu (DFT a LPC spektrum).
3. Kepstrální reprezentace řeči. Příznaky pro rozpoznávání. Detekce řečové aktivity.
4. Potlačování šumu v řeči: šum aditivní, konvoluční; jednokanálové a vícekanálové systémy.
5. Základní rozpoznávací úlohy a používané techniky (GMM, HMM, VQ, ANN, DNN)
6. Verifikace a identifikace mluvčího. Rozpoznávání jazyka.
7. Rozpoznávání řeči s malým a velkým slovníkem (DTW, GMM-HMM, LVCSR, nástroje HTK a KALDI).
8. Moderní systémy LVCSR (DNN-HMM). Adaptační techniky v rozpoznávání řeči. Speciální parametrizace.
9. Syntéza řeči, principy základních přístupů (formantová syntéza, PSOLA).
10. Audio-visuální rozpoznávání řeči.
11. Kódování řeči
12. Sluchové pomůcky a kochleární implantáty: anatomie a model sluchu, zpracování řeči.
13. Multimediální systémy s hlasovým vstupem (dialogové systémy, logopedie, výuka jazyků).
14. Databáze pro hlasové technologie. Rezerva.
Osnovy cvičení
1. Úvod: řečový signál, nástroje pro analýzu, dostupné zdroje signálů
2. Základní časové a spektrální charakteristiky řeči
3. Odhad základního tónu řeči
4. LPC spektrum a odhad formantů
5. Kepstrum a kepstrální vzdálenost: detekci řečových úseků
6. Základní klasifikační metody (GMM, VQ, HMM): klasifikace samohlásek
7. Verifikace mluvčího na bázi VQ
8. Identifikace mluvčího na bázi GMM
9. Rozpoznávání na bázi DTW. Jednoduchý rozpoznávač jednotlivých slov
10. Rozpoznávání na bázi HMM: jednoduché úlohy a demonstrace průchodu HMM modelem
11. Potlačování aditivního šumu v řečovém signálu
12. Potlačování konvolučního šumu - demonstrace dozvuku a možnosti jeho eliminace
13. Syntéza řeči: formantový syntezátor, demonstrace volně dostupných syntezátorů
14. Rezerva. Zápočty
Literatura
[1] Uhlíř, J. - Sovka, P. - Pollák, P. - Hanžl, V. - Čmejla, R.: Technologie hlasových komunikací. Nakladatelství ČVUT, 2007.
[2] Psutka, J. - Müller, L. - Matoušek, J. - Radová, V.: Mluvíme s počítačem česky. Academia 2006.
[3] Huang, X. - Acero, A. - Hon, H.-W.: Spoken Language Processing. Prentice Hall 2001.
Požadavky
Vstupními požadavky jsou základní znalosti z oblasti číslicového zpracování signálů.