Detail projektu

NTT - Speech enhancement front-end for robust automatic speech recognition with large amount of training data

Období řešení: 1. 10. 2017 – 30. 9. 2018

Typ projektu: smluvní výzkum

Objednatel: NTT Corporation

Název česky
NTT - Parametrizace s obohacováním řeči pro robustní automatické rozpoznávání řeči s velkým objemem trénovacích dat
Typ
smluvní výzkum
Klíčová slova

rozpoznávání řeči, odolnost, velký objem dat,

Abstrakt

Cílem společného výzkumu je vyvinout technologie parametrizace s obohacováním
řeči pro robustní automatické rozpoznávání řeči s velkým objemem trénovacích dat
v rámci spolupráce mezi VUT a NTT. Práce je založena na nízkodimenzionálních
reprezentacích dat (embeddings) produkovaných neuronovými sítěmi v různých
místech řetězce zpracování.

Řešitelé
Žmolíková Kateřina, Ing., Ph.D. (FIT) – hlavní řešitel
Černocký Jan, prof. Dr. Ing. (UPGM)
Publikace

2018

  • DELCROIX, M.; ŽMOLÍKOVÁ, K.; KINOSHITA, K.; ARAKI, S.; OGAWA, A.; NAKATANI, T. SpeakerBeam: A New Deep Learning Technology for Extracting Speech of a Target Speaker Based on the Speaker's Voice Characteristics. NTT Technical Review, 2018, vol. 16, no. 11, p. 19-24. ISSN: 1348-3447. Detail
  • DELCROIX, M.; ŽMOLÍKOVÁ, K.; KINOSHITA, K.; OGAWA, A.; NAKATANI, T. Single Channel Target Speaker Extraction and Recognition with Speaker Beam. In Proceedings of ICASSP 2018. Calgary: IEEE Signal Processing Society, 2018. p. 5554-5558. ISBN: 978-1-5386-4658-8. Detail
  • ROHDIN, J.; SILNOVA, A.; DIEZ SÁNCHEZ, M.; PLCHOT, O.; MATĚJKA, P.; BURGET, L. End-to-End DNN Based Speaker Recognition Inspired by i-Vector and PLDA. In Proceedings of ICASSP. Calgary: IEEE Signal Processing Society, 2018. p. 4874-4878. ISBN: 978-1-5386-4658-8. Detail

2017

  • ŽMOLÍKOVÁ, K. Souhrnná výzkumná zpráva projektu "Speech enhancement front-end for robust automatic speech recognition with large amount of training data" pro rok 2017. Brno: NTT Corporation, 2017. s. 0-0. Detail
  • ŽMOLÍKOVÁ, K.; DELCROIX, M.; KINOSHITA, K.; HIGUCHI, T.; OGAWA, A.; NAKATANI, T. Learning Speaker Representation for Neural Network Based Multichannel Speaker Extraction. In Proceedings of ASRU 2017. Okinawa: IEEE Signal Processing Society, 2017. p. 8-15. ISBN: 978-1-5090-4788-8. Detail
Nahoru