Upload
lyn
View
35
Download
0
Embed Size (px)
DESCRIPTION
Reconnaissance de la parole. SCIA 2008. Julien Assémat David Landais. Plan. Introduction Rappel du projet Objectifs du projet Un point sur l’état de l’Art Méthode explicite Méthode implicite Performances Approche du projet Techniques et méthodes retenues Applications. - PowerPoint PPT Presentation
Citation preview
Reconnaissance de la paroleSCIA 2008
Julien ASSÉMATDavid LANDAIS
Introduction◦ Rappel du projet◦ Objectifs du projet
Un point sur l’état de l’Art◦ Méthode explicite◦ Méthode implicite◦ Performances
Approche du projet◦ Techniques et méthodes retenues◦ Applications
Plan
Rappel du projet◦ Système de reconnaissance vocale◦ Parole continue◦ Vocabulaire de grande taille
Objectifs du projet◦ Capacité de reconnaissance d’un signal de parole continue◦ Applicable à tout type de messages sonores (discours, …)◦ Taux de reconnaissance correct◦ Utilisation pour une application concrète
Introduction
Deux méthodes de conception selon les techniques utilisées
◦ Méthode explicite Méthode basée sur l’utilisation de connaissances explicites
◦ Méthode implicite Méthode basée sur une approche statistique
Un point sur l’état de l’Art
Première approche en reconnaissance de la parole dès 1970
Basée sur l’utilisation de connaissances explicites◦ Comparaison à des formes de références (spectres, …)
Techniques◦ Systèmes multi-agents◦ Blackboard (Hearsay II)◦ Systèmes experts (1980)
Méthode peu performant
Méthode expliciteUN POINT SUR L’ÉTAT DE L’ART
Approche statistique◦ Niveau phonétique (modèle acoustique)◦ Niveau linguistique (modèle de langue)
Nécessite un apprentissage
Techniques◦ Hidden Markov Models (HMM)◦ Algorithme N-gram◦ Réseaux de neurones
Méthode impliciteUN POINT SUR L’ÉTAT DE L’ART
Extraction de caractéristiques d’un signal
Travail sur les phonèmes propres à la langue◦ Utilisation du vecteur de caractéristiques extrait◦ Probabilité qu’une portion du signal appartienne à chacun des
phonèmes de la langue (HMM)
Hidden Markov Models◦ Calculer la probabilité d'une séquence particulière
Modèle acoustiqueUN POINT SUR L’ÉTAT DE L’ART
Travail sur la syntaxe et la sémantique propres à la langue◦ Probabilité qu’une suite de mots existe dans la langue◦ Introduction de la notion d’approximation avec N-gram
Algorithme N-gram◦ Agrégation en séquences de 2 ou 3 mots avec une probabilité associée◦ Approximation de probabilités de séquences plus longues ◦ Calcul des probabilités sur ces séquences plutôt que sur des mots
Modèle de langueUN POINT SUR L’ÉTAT DE L’ART
Méthode implicite : résuméUN POINT SUR L’ÉTAT DE L’ART
Quelques chiffres en moyenne pour les systèmes actuels dans les mêmes conditions environnementales :◦ 0,3 % d’erreur pour l’énumération d’une suite de chiffres◦ 5 % d’erreurs pour un vocabulaire de 20 000 mots en parole continue◦ 8 % d’erreurs pour une énumération de lettres◦ 40 % d’erreurs pour une conversation téléphonique spontanée
En général, forte dépendance de certains paramètres◦ Taille du vocabulaire◦ Régionalisation (paramètre inter-locuteur)◦ Etat émotionnel (paramètre intra-locuteur)
PerformancesUN POINT SUR L’ÉTAT DE L’ART
Méthodes et techniques retenues◦ Utilisation de la méthode implicite
Meilleurs résultats Utilisation des deux modèles (phonétique et linguistique)
◦ Réseaux de neurones pour la reconnaissance des phonèmes
Applications◦ Indexation de messages sonores
Emissions radiophoniques Discours Conversation …
Approche du projet
?