A case study of speech recognition in Spanish: From conventional to deep approach

Sánchez, Aldonso Becerra; Vargas, José Ismael De la Rosa; González, Efrén

doi:10.1109/andescon.2016.7836212

Cited by 10 publications

(3 citation statements)

References 14 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…They found that Kaldi achieved the best WER value of 2.7% using the Wall Street Journal (WSJ) English corpus. In another work, Becerra et al [10] presented a comparative case study for Spanish between the conventional HMM-GMM architecture and the recent HMM-DNN model using Kaldi. The audio corpus used includes 1,836 sentences from 87 speakers sampled at 16 kHz, which are a mixture of human voices and text-to-speech utterances.…”

Section: Related Workmentioning

confidence: 99%

Baseline Acoustic Models for Brazilian Portuguese Using Kaldi Tools

Batista¹,

Dias²,

Neto³

2018

IberSPEECH 2018

View full text Add to dashboard Cite

Kaldi has become a very popular toolkit for automatic speech recognition, showing considerable improvements through the combination of hidden Markov models (HMM) and deep neural networks (DNN). However, in spite of its great performance for some languages (e.g. English, Italian, Serbian, etc.), the resources for Brazilian Portuguese (BP) are still quite limited. This work describes what appears to be the first attempt to create Kaldi-based scripts and baseline acoustic models for BP using Kaldi tools. Experiments were carried out for dictation tasks and a comparison to CMU Sphinx toolkit in terms of word error rate (WER) was performed. Results seem promising, since Kaldi achieved the absolute lowest WER of 4.75% with HMM-DNN and outperformed CMU Sphinx even when using Gaussian mixture models only.

show abstract

Section: Related Workmentioning

confidence: 99%

Baseline Acoustic Models for Brazilian Portuguese Using Kaldi Tools

Batista¹,

Dias²,

Neto³

2018

IberSPEECH 2018

View full text Add to dashboard Cite

show abstract

“…Los sistemas de reconocimiento automático del habla (ASR por sus siglas en inglés) resultan de gran relevancia en entornos académicos y empresariales debido a la facilidad de interacción que ofrecen. Se ha visto un creciente interés en la investigación de dichos sistemas los cuales han migrado de modelos probabilísticos a sistemas de redes neuronales profundas [5] que se han convertido en el estándar para aplicaciones profesionales de transformación de audio a texto. Estos sistemas a menudo utilizan un modelo acústico para realizar el reconocimiento en un primer nivel y posteriormente son pasados a modelos de lenguaje para su corrección [9].…”

Section: Introductionunclassified

Optimización evolutiva de contextos para la corrección fonética en sistemas de reconocimiento del habla

Cámara¹,

Campos-Sobrino²,

Soberanis³

2019

RCS

View full text Add to dashboard Cite

Resumen El reconocimiento automático del habla es unárea de creciente interés por la demanda de aplicaciones que lo utilizan para brindar una forma de comunicación natural a los usuarios. Es común que los sistemas de reconocimiento presenten fallas en aplicaciones que usan un lenguaje propio de un dominio específico. Para reducir el error se utilizan diferentes estrategias como proporcionar un contexto que modifique el modelo de lenguaje y un pos-procesamiento de corrección. En este artículo se explora el uso de un proceso evolutivo para la generación de un contexto optimizado al dominio de aplicación, así como diferentes técnicas de corrección basadas en métricas de distancia fonética. Los resultados obtenidos muestran la viabilidad de los algoritmos genéticos como una herramienta de optimización de los contextos, lo cual sumado a un pos-procesamiento de corrección basado en representaciones fonéticas es capaz de reducir los errores en el reconocimiento.

show abstract

“…Tradicionalmente los algoritmos utilizados para transformar audio a texto han sido diseñados usando modelos probabilísticos, como los modelos ocultos de Markov. Sin embargo, con el resurgimiento de la redes neuronales, también se están desarrollando redes neuronales profundas [3], lo que ha permitido generar reconocedores de voz más precisos. Ahora bien, cuando estos reconocedores se utilizan en dominios muy específicos, es de esperarse que su error se incremente.…”

Section: Introductionunclassified

Corrección de errores del reconocedor de voz de Google usando métricas de distancia fonética

Campos-Sobrino¹,

Soberanis²,

Chin³

et al. 2019

RCS

View full text Add to dashboard Cite

Resumen Los errores en los sistemas de reconocimiento de voz para el idioma español, como por ejemplo el de Google, ocurren con bastante frecuencia cuando se utilizan en aplicaciones de un dominio específico. Estos errores se presentan mayormente cuando se intenta reconocer palabras que son nuevas para el modelo de lenguaje del reconocedor y que son ad hoc al dominio. En este artículo se presenta un algoritmo que usa la distancia de Levenshtein sobre fonemas para reducir el error del reconocedor de voz. Los resultados preliminares muestran que es posible corregir los errores del reconocedor de manera importante mediante el empleo de esta métrica y el uso de un diccionario de frases específicas del dominio de la aplicación. El algoritmo que aquí se propone, a pesar de estar diseñado para dominios muy específicos, es de aplicación general. Es decir, las frases que deben ser reconocidas pueden ser definidas específicamente para cada aplicación, sin que el algoritmo deba modificarse. Basta con indicarle al algoritmo el conjunto de frases sobre las cuales debe trabajar. La complejidad del algoritmo es O(tn), donde t es el número de palabras contenidas en la transcripción que se requiere corregir y n es el número de frases específicas del dominio.Palabras clave: reconocedor de voz, Levenshtein, corrector fonético.Abstract. The errors in speech recognition systems for Spanish language such as Google occur quite frequently when used in applications of a specific domain. These errors occur mostly when trying to recognize words that are new to the recognizer's language model and that are ad hoc to the domain. In this article we present an algorithm that uses Levenshtein distance on phonemes to reduce the error of the speech recognizer. The preliminary results show that it is possible to correct the errors of the recognizer in an important way by using this metric and the use of a 57 dictionary of specific phrases from the domain of the application. The algorithm proposed here, despite being designed for very specific domains, is of general application. That is, the phrases that must be recognized can be defined specifically for each application, without the algorithm having to be modified. It is enough to indicate to the algorithm the set of sentences on which it must work. The complexity of the algorithm is O(tn), where t is the number of words contained in the transcript to be corrected and n is the number of phrases specific of the domain.

show abstract

A case study of speech recognition in Spanish: From conventional to deep approach

Cited by 10 publications

References 14 publications

Baseline Acoustic Models for Brazilian Portuguese Using Kaldi Tools

Baseline Acoustic Models for Brazilian Portuguese Using Kaldi Tools

Optimización evolutiva de contextos para la corrección fonética en sistemas de reconocimiento del habla

Corrección de errores del reconocedor de voz de Google usando métricas de distancia fonética

Contact Info

Product

Resources

About