Budapest University of Technology and Economics, Faculty of Electrical Engineering and Informatics

A tantárgy elsősorban a Jelek és rendszerek témakör ismeretére épít,

A kötelező előtanulmányi rend az adott szak honlapján és képzési programjában található.

Az emberi információ-kezelés és kommunikáció alapja a természetes beszédlánc (beszélő ember - levegő - hallgató ember) működése. A beszédinformációs rendszerek a természetes beszédlánc egy vagy több elemének mesterséges informatikai megvalósítását (pl. beszédfelismerés, beszédszintézis, stb.) integrálják az információ gyűjtésével, tárolásával, feldolgozásával és/vagy az ahhoz való hozzáféréssel kapcsolatos folyamatokba. Napjainkban erősödött fel a nagyméretű, egyre jobban integrált és automatizált beszédinformációs rendszerek (pl. hívásközpontok, távfelvilágosítás, tele-banking) alkalmazási köre. A tárgy célja a beszédlánc elemei mesterséges megvalósításának megismertetése és a beszéddel vezérelt és/vagy beszéddel válaszoló információs rendszerek azon informatikai eljárásainak taglalása, amelyek beszédspecifikusak. A tárgy gyakorlati példák felhasználásával mutatja be a beszédinformációs rendszerek kialakításához szükséges elméleti és gyakorlati ismereteket, az automatizáláshoz alkalmazható beszédtechnológiai eszközrendszer főbb elemeit, azok alapvető működési elveit, specifikációs jellemzőit.

Bevezetés

A nyelv és a beszéd az emberi kommunikációban. Alapvető modalitások és az emberi érzékelés alapfogalmai, természetes kommunikációs láncok: auditív kommunikáció, vizuális kommunikáció, egyéb (tapintás, szaglás). A természetes beszédlánc elemei és működésük. Az emberi beszédkeltés, a beszédészlelés és a beszédmegértés alapfogalmai. A beszéd akusztikai szerkezetének legfontosabb jellemzői. A beszéd szintjei, redundanciája, a hordozott kiegészítő információk. A lényegkiemelés elmélete.

Beszédkódolás és tömörítés

A beszédkódolás szerepe a digitális beszédtárolás, valamint az üzleti, a katonai, a mobil, a műholdas és az Internet telefónia rendszereiben. Beszéd/csend és más akusztikus jelek megkülönböztetése. A beszédkódolás alapvető módszerei (PCM, formáns, LPC, SBC és továbbfejlesztéseik). Vektorkvantálás. A kódolás hatása más beszédtechnológiai eszközökre. A kódolt beszéd minősítése (érthetőség, természetesség).

Beszédválaszú rendszerek

A gépi beszédkeltés alapfogalmai (kötött, kötetlen és vegyes szókészlet).

Kötött szókészletű rendszerek tervezési szempontjai. A bemondandó szöveg informatikai tervezése. A szótárméret-minimalizálás és a minőség kompromisszumai. Bemondó kiválasztása, hangfelvétel elkészítése. A kötött szókészletű akusztikai adatbázis tervezési szempontjai. Vegyes rendszerek kialakításának indokai, megoldási lehetőségei. Nagy hanghűségű prozódia módosítási algoritmusok.

Kötetlen szókészletű (text-to-speech és concept-to-speech) rendszerek felépítése, alapvető osztályai. Fonéma, diád, triád és nagyobb méretű elemi egységeken (corpus based processing) alapuló rendszerek. Egységes szövegábrázolási, szövegelemzési és átalakítási feladatok és kapcsolódó adatbázisok. Prozódiai előrejelzés és függvénykészlet. Vezérelhető rendszerfunkciók.

Kötetlen szókészletű akusztikus adatbázisok tervezési szempontjai és elkészítésük módszerei. Beszédválasz szövegkorpuszának kialakítása. Az adatbázis elkészítése, módosítása, és ezek algoritmusai. A prozódia (hangmagasság, hangerő, ritmusváltozás) jelentősége és megvalósítása. Valós idejű automatikus prozódia generálás algoritmusai. Többhangú rendszerek és automatikus hangkonverzió. Többnyelvű rendszerek. Nyelvdetekció, ékezetesítés. Egységes hangjelölési rendszerek (IPA, SAMPA). Fejlesztői környezetek.

Beszédfelismerés

A beszédfelismerés alapfogalmai és alapvető architektúrái. A működés fő fázisai: betanítás, felismerés (lényegkiemelés, osztályozás). Kis, közepes, nagy, kötetlen szótár. A szótárméret korlátozása (nyelvtanok) és nyelvfüggése. Személyfüggő, személyfüggetlen, dialektus függő és adaptív rendszerek. Izolált szavas, kapcsolt szavas és folyamatos beszédfelismerés. Az akusztikus környezet szerepe. Irodai, PSTN, mobil és gépkocsiban működő rendszerek.

A felismerés elemi egységeinek kiválasztása és azok tömörített reprezentációja. Idővetemítés. Osztályozási módszerek: HMM (rejtett Markov modell), neurális hálózati és vegyes architektúrák. Valós idejű keresési problémák. Adatbázisok és szerepük a betanításban. Szótárkészlet automatikus bővítése, adaptivitás. A prozódia szerepe. Többnyelvű rendszerek kialakítása. Fejlesztői környezetek és eszközök.

Beszélőfelismeréssel és beszélőazonosítással növelt biztonságú hozzáférési rendszerek

Beszélőfelismerés és azonosítás kötött és kötetlen szöveggel. Inter- és intraindividuális jellemzők, azok függése az akusztikus környezettől és az időponttól. Kulcsszó felismerés. A beszéd további biometriai lehetőségei.

Beszédfunkciók alkalmazása információs rendszerekben

Beszéddel informáló dialógus rendszerek alapfogalmai. Rendszer vezérelt, felhasználó vezérelt és vegyes kezdeményezésű rendszerek. DTMF és beszédfelismerő alapú vezérlés beszédválaszú rendszerekben. Uni- és multimodális rendszerek. Modalitás konverzió és szerepe a globális személyes kommunikációs rendszerekben.

Beszédinformációs rendszerek tervezésének és megvalósításának lépései. Széleskörű használatra (pl. idősek) való tervezés (design-for-all). Platform, termékválasztás és tesztelés. Az összehasonlítás és a teljesítmény mérés módszerei. Alapvető beszéd API-k összehasonlítása.

Tipikus alkalmazási környezetek, meghatározó alkalmazói rendszerek: számítógépes diktafon; egyfelhasználós parancsinterfész és navigáció, intelligens ügynökök; diktáló rendszerek; hagyományos távközlési funkciók megvalósítása IP környezetben; egységes üzenetkezelés; üzenet konverzió (pl. e-levél felolvasó); integrált technológiák (pl. beszéd és GPS autónavigációs és mobiltelefon rendszerekben)

Esettanulmány: alkalmazási mintarendszer tervezése

3*2 óra előadás és 1*2 óra kiscsoportos foglalkozás kéthetes ciklusokban.

A félév végén az aláírás feltétele egy nagyzárthelyi legalább elégséges szintű megírása. A zárthelyi megírására a félév közepén kerül sor. A pótlásra a szorgalmi időszak során egy alkalom áll rendelkezésre, a vizsgaidőszakban csak iv. jelleggel lehetséges.

Gordos G., Takács Gy.: Digitális beszédfeldolgozás, Műszaki Könyvkiadó, 1983

Olaszy G.: Elektronikus beszédelőállítás, Műszaki Könyvkiadó, 1986

B. Gold, N. Morgan: Speech and Audio Signal Processing, John Wiley, 2000

L. Rabiner, B. Juang: Fundamentals of Speech Recognition, Prentice Hall, 1993

F. A. Westall, R. D. Johnston, A. V. Lewis, D. Johnston: Speech Technology for Telecommunications, Chapman & Hall, 1997

D. Gardner-Bonneau: Human Factors and Voice Interactive Systems, Kluwer, 1999