Beszedf 2014.04.29. 1

Beszédfelismerés és beszédszintézis

Beszédfelismerés alapjai, izolált szavas kötöttszótárú felismerők

Takács György

14. előadás

2014. 04. 29.

Beszedf 2014.04.29. 2

Javasolt vizsgaidőpontok:

• Május 22. csütörtök 11:00

• Június 4. szerda 10:00

• Június 25. szerda 10:00

Beszedf 2014.04.29. 3

Megoldott kérdés-e a beszédfelismerés, más szóval

beszéd-szöveg átalakítás?

Beszedf 2014.04.29. 4

Igen

• Mert termékként állnak rendelkezésre megoldások.

• Mert jobb rendszerek beépített eleme (pl., hangportálok, automata telefonkezelő, Windows XP)

• Mert könyvek leírják, iskolában tanítják….

Beszedf 2014.04.29. 5

Beszedf 2014.04.29. 6

NEM!

• Mert nem szeretik!

• Mert nem használják!

• Mert nem hozott komoly üzleti eredményt senkinek!

Beszedf 2014.04.29. 7

Elfogadjuk a létező beszédfelismerőket? Ha nem,

akkor miért nem?

Beszedf 2014.04.29. 8

Az én válaszaim

• Személyfüggő nagyon! • A beszédfelismerőnek „értenie” is kell amit felismer!• Akadnak tényleges felismerési hibák is!• A beszéd több, mint elemek egymásutánisága! A

beszédfolyamat további tényezői közül a finom hangsúly, a dallam, a szünetek, a ritmus, a tempóváltások is a felismerendő üzenet lényegi elemei. Ezek is az értelmezést segítik, a közlendőt árnyalják, a beszédet emberivé, széppé teszik, tehát ha a beszéd üzenetét kívánjuk felismerni ezek sem hagyhatók a folyamatból el.

Beszedf 2014.04.29. 9

Érdekesebb helyek a hálón!

• http://www.nuance.com/naturallyspeaking/• http://www.microsoft.com/enable/products/

windowsvista/speech.aspx• http://download.cnet.com/Speech-

Recognition-Based-on-DTW/3000-2053_4-10878314.html

• http://www.electricrainbow.com/freedemo.html

• http://www.globalchange.com/speech.html

Beszedf 2014.04.29. 10

Ideális beszédfelismerő

• Minimális felismerési hiba• Függetlenség az akusztikai környezettől• Beszélőfüggetlenség• Korlátlan szótár és témakör• Folyamatos, természetes beszédet felismerése.• Reakcióideje nem több 100 ms-nál!!• Indulatok, érzelmek elemeit is képes felismerni!• Platform független, a létező erőforrásokkal

működtethető!

Beszedf 2014.04.29. 11

A beszédfelismerés technikai kérdései ma

• Általános alapeszköz a PC - bőséges operatív memóriával, háttértárral, hangkártyával.

• Mik legyenek a felismerendő alapelemek? Teljes közlendők, mondatok, szavak, szótagok, hangok?

• Hogyan lehet olyan elemeket kialakítani, amelyek jól felismerhetők, ezek felismerésével minden közlendő felismerhető?

• Hogyan kezeljük az egyszerű szótárban nem szereplő elemeket? Hogyan lehet a gépileg esetleg „értelmezhető” elemeket a felismert üzenet szövegébe beleszőni? (pl országgyűlési gyorsírók szabványos megjegyzései)

Beszedf 2014.04.29. 12

A beszédhangok folytonos és diszkrét természete

Beszedf 2014.04.29. 13

A természetes beszédlánc

Beszedf 2014.04.29. 14

Beszédhang• A legkisebb olyan egységek, amelyek sorozatával

egy nyelvet megvalósító beszéd akármilyen részlete az agy számára reprodukálható, beszédhangnak nevezzük.

• A beszédhangok a beszéd olyan szegmensei, részletei, amelyeket a nyelvet beszélő egymástól elkülöníteni és felismerni teljes biztonsággal képes.

• A beszédhangok a nyelvre jellemzőek!• Egyes nyelvekben a hangmagasság hajlítása is

megkülönböztet beszédhangokat.• Az élő beszéd olyan leírása, amely a beszéd

hangzásának leírására törekszik – a fonetikai átírás. Ennek elterjedt rendszerei az APhI és a SAMPA.

Beszedf 2014.04.29. 15

Beszedf 2014.04.29. 16

Beszedf 2014.04.29. 17

Ha nagyon sokat tudunk a beszédfolyamatról – mire lehet építeni a

beszédfelismerőket?

• A -- az agy beszédfelfogási folyamatait utánzó modellekre?

• B -- beszédkeltési folyamatokat leíró modellekre?

Beszedf 2014.04.29. 18

2014. évi állapot

• A létező és működő modellek B típusúak, de teljes egyetértés van abban, hogy a lényegi előrelépéshez kellenek az A típusú modellek!

Beszedf 2014.04.29. 19

Beszedf 2014.04.29. 20

Beszedf 2014.04.29. 21

Beszedf 2014.04.29. 22

Beszedf 2014.04.29. 23

Beszedf 2014.04.29. 24

Lineáris predikció alapokA beszédjel n-edik mintája becsülhető a megelőző p beszédminta lineáris kombinációjával

ahol az αi lineáris predikciós együtthatók hordozzák a jelenségre vonatkozó előismereteket, tapasztalatokat.

p -- a prediktor fokszáma

Beszedf 2014.04.29. 25

Ebben a modellben bemenet a pedikciós hibaminták sorozata és kimenő jel az eredeti beszédjel-minták sorozata.

Beszedf 2014.04.29. 26

A toldalékcső modellje egyenletesen felosztott, állandó keresztmetszetű csőszakaszokkal

Beszedf 2014.04.29. 27

Belátható, hogy az alábbi rács struktúrák ekvivalensek…

Ezért a csőmodell azonos a PARCOR szintézis modellel, hari = ─ ki

Beszedf 2014.04.29. 28

Jól alkalmazható beszédfelismerés kritériumai

• Személyfüggetlen• Folyamatos, természetes beszédet felismer a

rendszer.• A felismerés hibája nem több kb. 1%-nál (szavak

szintjén)! • Értenie is kell valamilyen szinten azt amit

felismer!• Reakcióideje nem több 100 ms-nál!!• Indulatok, érzelmek elemeit is képes felismerni!• Platform független, a létező erőforrásokkal

működtethető!

Beszedf 2014.04.29. 29

Alapproblémák

• A beszéd folyamatos (nincsenek szóközönként szünetek) igazi szünetek csak nagyobb prozódiai egységek között vannak

• Ugyanannak a diszkrét beszédhangnak gyakorlatilag végtelen sok reprezentációja elképzelhető (bemondó, tempó, hangerő, hanglejtés, hangkörnyezet, hasonulás….., érzelem függvényében)

• Elnagyolt ejtés, pontatlanság, ejtési hiba, beszédhiba érthetetlen artikuláció gyakran előfordul

• „érteni” kell a mondandót ahhoz, hogy jól felismerhessük!

Beszedf 2014.04.29. 30

Egy létező és működő technikai kompromisszum:

az izolált szavas kötöttszótárú felismerő

• A felismerendő alapelemek szavak (tehát meghatározott szótárral dolgozik)

• A rendszer két fő eleme a tényleges felismerő és a szótárszerkesztő

• Lehet személyfüggő és személyfüggetlen (ez alapvetően a szótáralkotásra hat ki)

Beszedf 2014.04.29. 31

Beszedf 2014.04.29. 32

A felismerő rész fő elemei

• Kezdet és vég detektálás

• Lényegkiemelés

• Normálás

• Mintaillesztés

Beszedf 2014.04.29. 33

Szókezdet és szóvég detektálás

• Gördülő számolás• 10-20 ms időkeretenként energiát számol• Ebből meghatározható a normál zajszint• Szókezdet = ha a normál zajszintet a keretenergia pl.

6dB értékkel meghaladja• Szóvég = ha kezdet után a keretenergia n kereten át a

normál zajszintet nem haladja meg pl. 6dB értékkel• Detektált szó = ha a szóhossz a szótárelemek

hosszához illeszkedik• Gyakoriak a jelentős kezdet-vég detektálási hibák

Beszedf 2014.04.29. 34

Lényegkiemelés

• Feladata a beszédjelet leíró adattömeg redukálása a jelentési információ megőrzése mellett

• Időkeretenként egy vektort ad meg• Szokásos módjai:

sávszűrők alkalmazása és az energia sávonkénti meghatározása(fülmodell, 10-20 sáv?)

LPC együtthatók számolása (6-20)PARCOR/ Csőmodell együtthatók

számolása (6-20 jól kvantálható)Cepstrum együtthatók számolása (10-20)

Beszedf 2014.04.29. 35

Normálás (uniformizálás)

• Célja, hogy a szótárelemek és a felismerendő szavak jobban összevethetők legyenek

• Egyik szükséges formája az energia-normálás (energia maximum vagy energia átlag alapján) annak érdekében, hogy a mikrofonnal nagyobb vagy kisebb szinttel vett, vagy halkabban vagy hangosabban ejtett szavak a megfelelő szótárelemhez jobban illeszkedjenek,

• Másik szükséges formája az idő-normálás annak érdekében, hogy a gyorsabban vagy lassabban ejtett szavak a megfelelő szótárelemhez jobban illeszkedjenek

• A (referencia) szótárelemek eleve normáltak energia és idő szerint

• A normálás arányos nyújtást vagy zsugorítást jelent az adott dimenzióban

Beszedf 2014.04.29. 36

Mintaillesztés

• A felismerendő szavak és a szótárelemek azonos méretű és elemeikben is normált mátrixok

• A felismerés lényege, hogy a felismerendő beszédjelet leíró a mátrix melyik szótárelem mátrixhoz illeszkedik legjobban

• Kézenfekvő megoldás az elemenkénti különbségek abszolút értekeinek halmazata alapján minimum keresés.

• Probléma: a hibás végpont-detektálás és a ritmuskülönbségek miatt nem összeillő elemeket vetünk össze, ezért nagy a különbség halmazat, nincs meg a jó illeszkedés

• Megoldás: idővetemítés, (Dynamic Time Warping)

Beszedf 2014.04.29. 37

Idővetemítés

• xi a felismerendő szó i-edik keretét leíró lényegkiemelt (normált) vektor , komponensei a sávenergiák, LPC együtthatók stb. p elemmel

• yj az éppen vizsgált szótárelem j-edik keretének vektora azonos (és normált) komponensekkel, p elemmel

• xi és yi lokális távolsága számolható a

• képlettel

p

kkjkiji yxd

1,,,

Beszedf 2014.04.29. 38

PéldaVetemítőgörbe

Felismerendő szó i-edik kerete

Vizsg

ált szótárelem

j-edik

kerete

p

kkjkiji yxd

1,,,

Feladat:keresendő az a vetemítő görbe, amelynél a két alakzat legjobbanIlleszkedik, azaza kumulatív távolságminimális.A keresés elvégzendőminden szótárelemre

Beszedf 2014.04.29. 39

Idővetemítés szuboptimális algoritmusa (PÓK) példa

A di,j lokális távolságok alapján

számolhatók a tij kumulatív távolságok az alábbi képlettel

A kumulatív távolságokat csak az │i-j │≤ 4 egyenlőséggel megengedett tartományon belül számoljuk soronként balról jobbra és alulról felfelé haladva

dijtt

dt

dtt

t

jiji

jiji

jijiji

ji

1,2,1

,1,1

,,11,2

, 2min

tij

Beszedf 2014.04.29. 40

Innen indulunk

Ide kell érkezni

Beszedf 2014.04.29. 41

j

m

1

n1 i

Time Series B

Time Series A

i = j + r

i = j - r

DTW Algorithm at Work

Start with the calculation of g(1,1) = d(1,1).

Move to the second row g(i, 2) = min(g(i, 1), g(i–1, 1), g(i – 1, 2)) + d(i, 2). Book keep for each cell the index of this neighboring cell, which contributes the minimum score (red arrows).

Calculate the first row g(i, 1) = g(i–1, 1) + d(i, 1).

Calculate the first column g(1, j) = g(1, j) + d(1, j).

Trace back the best path through the grid starting from g(n, m) and moving towards g(1,1) by following the red arrows.

Carry on from left to right and from bottom to top with the rest of the grid g(i, j) = min(g(i, j–1), g(i–1, j–1), g(i – 1, j)) + d(i, j).

Beszedf 2014.04.29. 42

Kész algoritmusok

• http://download-book.net/matlab-code-for-dtw-algorithm-for-speech-recognition-pdf.html

• http://download-book.net/dtw-algorithm-in-java-doc.html

• http://member.hitel.net/~wjluv/program.html

• http://www.sourcecodeonline.com/list?q=dtw_algorithm

Beszedf 2014.04.29. 43

Alkalmazások

• Hang-tárcsázás

• Dialógus rendszerek, telefonos információs rendszerek.

• Összetett eszközök vezérlése (pl. autó, vadászgép http://www.f-16.net/news_article2571.html)

• Sérültek segítése

Beszedf 2014.04.29. 44

These gadgets can then be activated and controlled through voice recognition ...

Beszedf 2014.04.29. 45

Beszedf 2014.04.29. 46

Beszedf 2014.04.29. 47

Beszedf 2014.04.29. 48

Beszedf 2014.04.29. 49