Приложение на изкуствени невронни мрежи за гласово разпознаване на български език
Абстракт
The natural language processing is one of the main areas of modern artificial intelligence. Voice recognition is an element of natural language processing and aims at transforming spoken words into written text by various techniques. Researchers in this area face many challenges that have different sources.
In this article Bulgarian Language Speech Recognition System 1.0 (BLSRS 1.0) is proposed and test results are presented. BLSRS 1.0 is based on an artificial neural network, trained to recognize the corresponding spectrograms.
Биография на Автор
доц. д-р Пенка Георгиева
Бургаски Свободен Университет
Бургаски свободен университет
Литература
[2] Besacier L., Et. Barnard, Al. Karpov, T. Schultzd, "Automatic speech recognition for under-resourced languages: A survey," Speech Communication, vol. 56, pp. 85-100, 2014.
[3] Georgieva P., Genetic Fuzzy Systems (in Bulgarian), Burgas: Poligraph, 2016.
[4] Olson H., H. Belar, “Phonetic Typewriter,” The Journal of the Acoustical Society of America, vol. 28, no. 6, pp. 1072-1081, 1956.
[5] Forgie J., C. Forgie, “Results Obtained from a Vowel Recognition Computer,” The Journal of the Acoustical Society of America, vol. 31, no. 11, pp. 1480-1489, 1959.
[6] Suzuki J., K. Nakata , “Recognition of Japanese Vowels—Preliminary to the Recognition of Speech,” J. Radio Res. Lab, vol. 37, no. 8, pp. 193-212, 1961.
[7] Sakai T., S. Doshita, “The Phonetic Typewriter,” The Journal of the Acoustical Society of America, vol. 33, no. 11, 1961.
[8] Nagata K., Y. Kato, S. Chiba, „Spoken Digit Recognizer for Japanese Language,“ NEC Res. Develop, № 6, 1963.
[9] Denes P., “The Design and Operation of the Mechanical Speech Recognizer at University College London,” British Institution of Radio Engineers, vol. 19, no. 4, pp. 211-229, 1959.
[10] Martin Т., А. Nelson, Х. Zadell, “Speech Recognition by Feature Abstraction,” Tech. Report AL-TDR-64-176, Air Force Avionics Lab, 1964.
[11] Vintsyuk Т., “Speech Discrimination by Dynamic Programming,” Kibernetika, vol. 4, no. 2, pp. 81-88, 1968.
[12] Sakoe H., S. Chiba, “Dynamic Programming Algorithm Quantization for Spoken Word,” Speech and Signal Proc., vol. 26, no. 1, pp. 43-49, 1978.
[13] Viterbi A., “Error Bounds for Convolutional Codes and an Asymptotically Optimum Decoding Algorithm,” IEEE Trans. Informaiton Theory, vol. 13, pp. 260-269, 1967.
[14] Atal B., S. Hanauer, “Speech Analysis and Synthesis by Linear Prediction of the Speech Wave,” J. Acoust. Soc. Am., vol. 50, no. 2, pp. 637-655, 1971.
[15] Itakura F., S. Saito, “A Statistical Method for Estimation of Speech Spectral Density and Formant Frequencies,” Electronics and Communications in Japan, vol. 53, pp. 36-43, 1970.
[16] I. F., “Minimum Prediction Residual Principle Applied to Speech Recognition,” IEEE Trans. Acoustics, Speech and Signal Proc, vol. 23, pp. 57-72, 1975.
[17] Rabiner L., S. Levinson, A. Rosenberg, J. Wilpon, “Speaker Independent Recognition of Isolated Words Using Clustering Techniques,” IEEE Trans. Acoustics, Speech and Signal Proc., vol. 27, pp. 336-349, 1979.
[18] Lowerre B., “The HARPY Speech Understanding System,” Trends in Speech Recognition, Speech Science Publications, 1986, reprinted in Readings in Speech Recognition, pp. 576-586, 1990.
[19] Klatt D., “Review of the DARPA Speech Understanding Project (1),” J. Acoust. Soc. Am., vol. 62, pp. 1345-1366, 1977.
[20] Georgieva P., H. Hasanov, „Voice recognition - historical development and main techniques,“ Computer Science and Communications , том 6, № 1, pp. 20-55, 2017.
[21] Juang B., C. Lee, W. Chou, “Minimum Classification Error Rate Methods for Speech Recognition,” IEEE Trans. Speech & Audio Processing, T-SA, vol. 5, no. 3, pp. 257-265, 1997.
[22] Vapnik V., Statistical Learning Theory, John Wiley and Sons, 1998.
[23] Lee K., Large-vocabulary Speaker-independent Continuous Speech Recognition: The Sphinx System, Ph.D. Thesis, Carnegie Mellon University, 1988.
[24] Schwartz R., C. Barry , Y. Chow, etc., „The BBN BYBLOS Continuous Speech Recognition System,“ in Proc. of the Speech and Natural Language Workshop, Philadelphia, 1989.
[25] Murveit H., M. Cohen , P. Price , etc., „SRI's DECIPHER System,“ in proceedings of the Speech and Natural Language Workshop, 1989, Philadelphia.
[26] Young S., „the HTKBook,“ http://htk.eng.cam.ac.uk/.
[27] Glass J., E. Weinstein, „SpeechBuilder: Facilitating Spoken Dialogue System Development,“ 7th European Conf. on Speech Communication and Technology, Aalborg Denmark, 2001.
[28] Gorin A., B. Parker, R. Sachs, J. Wilpon, “How May I Help You?,” 1996.
[29] Huang X., A. Acero, H. Hon, Spoken Language processing – A Guide to Theory, Algorithms and System Development, Prentice Hall PTR, 2001, pp. 375-407.
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Авторски права
Авторите, които публикуват в това издание се съгласяват със следните условия:
Авторите запазват авторските права и предоставят на списанието правото на първата публикация с едновременно лицензиране на публикацията при условията на Creative Commons Attribution License. Този лиценз позволява на другите да споделят работата с потвърждение на авторството и първоначалното публикуване в това издание .
Авторите са в състояние да влизат в отделни, допълнителни договорни отношения за неизключителна дистрибуция на публикуваната версия на работата подадена в това издание (например, публикацията да се качи на институционално хранилище или да се публикува в книга), при условие, че цитират първоначалното публикуване в това издание.
На авторите е разрешено и се насърчават да публикуват работата си онлайн (напр., в институционалните хранилища или др.) преди и по време на процеса на подаване. Това се поощрява, тъй-като може да доведе до по-продуктивен обмен , както и до по-ранно и по -голямо цитиране на публикуваните работи (Вижте на Ефектът на Open Access ).
Подаване на материал за публикация:
Вие трябва да потвърдите, че документът който предоставяте за публикуване отговаря на всяко от следните 5 изисквания:
* Материалът не е бил публикуван по-рано, нито е представен друг вестник или форум за разглеждане (или обяснение е предвидено в Коментари на редактора).
* Файлът се представя е в Microsoft Word или RTF документ файлов формат.
* Където е необходимо, са предвидени URL адреси за препратките.
* Текстът е с междуредие 1; използва се 12-точков шрифт; използва се курсив, а не подчертаване (освен с URL адреси); всички илюстрации, фигури и таблици са поставени в текста на съответното място .
* Текстът се придържа към стилистичните и библиографските изискванията, посочени в Насоките на автора.
Авторските ви права са защитени от този леценз
Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
Права на читателите:
Вие сте свободни да:
Share - копирате и разпространявате материала на всякакъв носител или формат.
Adapt - преработвате и трансформирате, като се позовавате на оригинала. Носителят на правата не може да отмени тези ваши свободи, стига Вие да следвате условията на лиценза.
Правата на читателите са валидни единствено при спазване на следните условия:
Признание - Трябва да се даде информация по подходящ начин, като цитирате или предоставите линк към оригинала и да посочите дали са направени промени. Можете да направите това по никакъв разумен начин, но не и по начин, който подсказва, че лицензодателя е съгласен с Вас или Ви подкрепя по какъвто и да е начин.
Некомерсиално - Вие не може да използва материала за търговски цели.
Разпространяване и споделяне - Ако ремиксвате, трансформиране или доразвиване на материала, трябва да разпространявате вашите материали под същия лиценз, като оригинала.
