大工至善|大学至真分享 http://blog.sciencenet.cn/u/lcj2212916

博文

[转载]【计算机科学】【2016.06】基于神经网络的鲁棒实时语音识别中的音频分割

已有 272 次阅读 2020-2-14 18:12 |系统分类:科研笔记|文章来源:转载

本文为德国卡尔斯鲁厄理工学院(作者:Micha Wetzel)的学士论文,共57页。

 

多媒体内容损害了自动语音识别(ASR)系统的识别精度和速度。本学士学位论文介绍了一种分段器,通过检测音频源中的音乐和噪声片段并用静音代替,来提高实时ASR系统的性能。提出了一种由帧分类和平滑两步组成的方法。大小为10毫秒的音频帧用分类模型分类为语音、音乐或噪声。以神经网络和支持向量机为模型,对多种设置进行了比较,分类精度达到87%。在第二步中,平滑算法考虑时间上下文以防止分类的快速波动。所提出的分段器能够产生与手动移除音乐片段相同的ASR系统的转录质量,同时保持270毫秒的实时可用延迟。

 

Multimedia content hurts the recognition accuracy and speed of automatic speech recognition (ASR) systems. This bachelor thesis introduces a segmenter to increase the performance of an real-rime ASR system by detecting music and noise segments in an audio source and replacing it with silence. A two step approach is proposed, consisting of frame classification and smoothing. Audio frames of size 10 milliseconds are classified as speech, music or noise with a classification model. Multiple settings with neural nets and support vector machines as model are compared, resulting in an classification accuracy of 87%. In the second step the smoothing algorithm considers the temporal context to prevent rapid class fluctuations. The proposed segmenter yields a transcript quality of an ASR system en-par with manual removal of the music segments, while maintaining a real-time applicable delay of 270 milliseconds.

 

1. 引言

2. 项目背景

3. 以有的工作

4. 研究方法

5. 实验

6. 结论


更多精彩文章请关注公众号:qrcode_for_gh_60b944f6c215_258.jpg



http://blog.sciencenet.cn/blog-69686-1218527.html

上一篇:[转载]【信息技术】【2010.02】车辆感知:基于检测分类和运动目标跟踪的定位映射
下一篇:[转载]【电信学】【2017.02】基于感知服务的物联网体系架构开发

0

该博文允许注册用户评论 请点击登录 评论 (0 个评论)

数据加载中...

Archiver|手机版|科学网 ( 京ICP备07017567号-12 )

GMT+8, 2020-4-1 14:04

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部