TAILIEUCHUNG - Báo cáo khoa học: "A Nonparametric Bayesian Approach to Acoustic Model Discovery"

We investigate the problem of acoustic modeling in which prior language-specific knowledge and transcribed data are unavailable. We present an unsupervised model that simultaneously segments the speech, discovers a proper set of sub-word units (., phones) and learns a Hidden Markov Model (HMM) for each induced acoustic unit. | A Nonparametric Bayesian Approach to Acoustic Model Discovery Chia-ying Lee and James Glass Computer Science and Artificial Intelligence Laboratory Massachusetts Institute of Technology Cambridge MA 02139 USA chiaying jrg @ Abstract We investigate the problem of acoustic modeling in which prior language-specific knowledge and transcribed data are unavailable. We present an unsupervised model that simultaneously segments the speech discovers a proper set of sub-word units . phones and learns a Hidden Markov Model HMM for each induced acoustic unit. Our approach is formulated as a Dirichlet process mixture model in which each mixture is an HMM that represents a sub-word unit. We apply our model to the TIMIT corpus and the results demonstrate that our model discovers sub-word units that are highly correlated with English phones and also produces better segmentation than the state-of-the-art unsupervised baseline. We test the quality of the learned acoustic models on a spoken term detection task. Compared to the baselines our model improves the relative precision of top hits by at least and outperforms a language-mismatched acoustic model. 1 Introduction Acoustic models are an indispensable component of speech recognizers. However the standard process of training acoustic models is expensive and requires not only language-specific knowledge . the phone set of the language a pronunciation dictionary but also a large amount of transcribed data. Unfortunately these necessary data are only available for a very small number of languages in the world. Therefore a procedure for training acoustic models without annotated data would not only be a breakthrough from the traditional approach but 40 would also allow us to build speech recognizers for any language efficiently. In this paper we investigate the problem of unsupervised acoustic modeling with only spoken utterances as training data. As suggested in Garcia and Gish 2006 unsupervised acoustic .

• Báo cáo khoa học
• A Nonparametric Bayesian Approach
• Acoustic Model Discovery
• Chia ying Lee and Jame
• báo cáo khoa học
• báo cáo ngôn ngữ
• ngôn ngữ tự nhiên
• Next Generation Sequencing
• RNA seq
• Disease conditions
• Bayesian based approach
• qRT PCR measurements
• Bài giảng Xử lý ngôn ngữ tự nhiên
• Xử lý ngôn ngữ tự nhiên
• Kỹ thuật lập trình
• Mô hình ngôn ngữ
• Mô hình n gram
• Dịch máy
• Phương pháp dịch máy
• Hiểu ngôn ngữ
• Phân loại tin tự động
• Tạo chí tin học
• Điều khiển học
• Truy vấn ngôn ngữ tự nhiên
• Phép dịch truy vấn ngôn ngữ tự nhiên
• Truy vấn SQL
• Văn phạm ngữ nghĩa
• Xử lý nhập nhằng ngữ nghĩa
• Xử lý ngữ nghĩa
• Phân tích ngữ nghĩa
• Biểu diễn vị từ
• Thuộc tính về sự kiện
• Thuộc tính về sự kiện
• Xử lý ngôn ngữ
• Natural Language Processing
• Ngôn ngữ lập trình
• Nhập nhằng cấu trúc
• Tri thức về ngôn ngữ
• Mô hình ngôn ngữ Google Book N grams
• Mô hình ngôn ngữ KenLM
• Phương pháp làm mịn
• Bài toán PTCP
• Phân tích cú pháp
• Cấu trúc ngữ pháp
• Phân tích cú pháp xác suất
• CKY kết hợp xác suất
• Văn phạm phi ngữ cảnh xác suất
• Hình thái học
• Gán nhãn từ loại
• Ngôn ngữ tự nhiên trong dịch máy
• Hệ thống dịch máy
• Phương pháp xây dựng bảng từ
• Tác từ
• Conditional random fields
• Nhận dạng thực thể có tên
• Đối tượng vật lý trừu tượng
• Phân lớp văn bản
• Biểu diễn nhị phân
• Ma trận từ văn bản
• Wolfram Alpha
• Trích rút thông tin
• Phương pháp Snowball