Docstoc

SPEECH RECOGNITION SPEECH RECOGNITION

Document Sample
SPEECH RECOGNITION SPEECH RECOGNITION Powered By Docstoc
					                                                                                                      Speech to Text to Speech
                                                                                                      A                                                                                                                in Man-Machine Interaction
                                                                                                                                        Objective of Text to Speech
                                                                                                            MONOTONOUS                                Natural
                                                                                                                                                                Quality
                                                                                                                                                                                      Natural Speech


                                                                                                                                                                                                                   concatenative
                                                                                                                                                                          ?
                                                                                                                     BIG
                                                                                                                                                      small                                                                                                          DBDBDBDDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDDBDBDB
                                                                                                                                                                                                                                                                     DBDBDBDBDBDBBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDB
                                                                                                                                                                                                                                                                     DBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBBBDBDBDBDBDBDBDBDBD
                                                                                                                                                                                                                                                                     BDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBBDBDBDBDBBDBDBDBBDBDBDBDBDBDBBDBDBDBDBDBDDBDBDBDB
                                                                                                                                                                                                                                                                     DBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDDBDBDBDBDBDBDBDBDBBDB
                                                                                                                                                                                                                                                                     DBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDDBDBDBDBDBDBDBDBDBDBDBDB
                                                                                                                                                                                                                                                                     DBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDDBDBDBDBDBDBDBDBDBBDBDBDBDBDBDBDBDBDB
                                                                                                                                                                                                                                                                     DBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDB

                                                                                                                                                                          formant                                                                                                 DATABASE
                                                                                                                                                                                                                                                                     DBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDDBDBDBDBDBDBDBDBDBBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDB
                                                                                                                                                                                                                                                                     DBDBDBDBDBDBDBDBDBDBBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDB
                                                                                                                                                                                                                                                                     DBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDDBDBDBDBDBDBDBDBDBBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDB
                                                                                                                                                                                                                                      Size                           DBDBBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDB
                                                                                                                                                                                                                                                                     DBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDDBDBDBDBDBDBDBDBDBBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBBDBDBDBDBDBD
                                                                                                                                                                                                                                                                     BDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDB

                                                                                                                                   ?                            1MB            10MB               100MB                1000MB                                        DBDBDBDBDBDBDBDBDBDBDBDBDDBDBDBDBDBDBDBDBDBBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBBDBDBDBDBDBDBDBDBDBDBDBDBDBD
                                                                                                                                                                                                                                                                     BDBDBDBDBDBDBDBDBDBDBDDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDB
                                                                                                                                                                                                                                                                     DBDBDBDBDDBDBDBDBDBDBDBDBDBBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBD
                                                                                                                                                                                                                                                                                                                                       tc.
                                                                                                                                                                                                                                                                                                                               ord, … e
                                                                                                                                                                                                                                                                     BDBDBDDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDDBDBDBD

                                                                                                                                                                                                                                                                                                       ENT  ORY         ble, w
                                                                                                                                                                                                                                                                     BDBDBDBDBDBBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDDBDBDBDBDB

                                                                                                                                                                                                                                                                                          UNIT INV demisyllable, sylla
                                                                                                                                                                                                                                                                     DBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDDBDBDBDBDBDBDBDBDBBDBDB

                                                                                                                                                                                                                                                                                DB for a , diphone,
                                                                                                                                                                                                                                                                     DBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDDBDBDBDBDBDBDBDBDBDBDBDBDB
                                                                                                                                                                                                                                                                     DBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDDBDBDBDBDBDBDBDBDBBDBDBDBDBDBDBDBDBDBDB
                                                                                                                                                                                                                                                                                           e
                                                                                                                                                                                                                                                                                 - phonem
                                                                                                                                                                                                                                                                     DBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDB

                                                                                                                                                                                                                                                                                                        iased
                                                                                                                                                                                                                                                                     DBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDDBDBDBDBDBDBDBDBDBBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDB

                                                                                                                                                                                                                                                                                           nous / unb
                                                                                                                                                                                                                                                                     DBDBDBDBDBDBDBDBDBBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDB

                                                                                                                                                                                                                                                                                 - monoto
                                                                                                                                                                                                                                                                     DBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDDBDBDBDBDBDBDBDBDBBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDB
                                                                                                                                                                                                                                                                     DBBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDB
                                                                                                                                                                                                                                                                     DBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDDBDBDBDBDBDBDBDBDBBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBBDBDBDBDBDBDBD
                                                                                                                                                                                                                                                                                                                 RNS
                                                                                                                                                                                                                                                                                                      Y PA T T E
                                                                                                                                                                                                                                                                     BDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDB




                                                                                                                                                                                                                                                                                                                                             WA
                                                                                                                                                                                                                                                                                                  OD
                                                                                                                                                                                                                                                                     DBDBDBDBDBDBDBDBDBDBDBDDBDBDBDBDBDBDBDBDBBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBBDBDBDBDBDBDBDBDBDBDBDBDBDBDBD

                                                                                                                                                                                                                                                                                      for PROS
                                                                                                                                                                                                                                                                     BDBDBDBDBDBDBDBDBDBDDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDB
                                                                                                                                                                                                                                                                                 DB                       rpus
                                                                                                                                                                                                                                                                     DBDBDBDDBDBDBDBDBDBDBDBDBBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBD

                                                                                                                                                                                                                                                                                             ly huge co
                                                                                                                                                                                                                                                                     BDBDDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDDBDBDBDBD
                                                                                                                                                                                                                                                                                                                     ge
                                                                                                                                                                                                                                                                                   - extreme               r a langua
                                                                                                                                                                                                                                                                                                                                                            NT
                                                                                                                                                                                                                                                                     BDBDBDBDBBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDDBDBDBDBDBDB
                                                                                                                                                                                                                                                                                                     age fo
                                                                                                                                                                                                                                                                                         ugh cover
                                                                                                                                                                                                                                                                     DBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDDBDBDBDBDBDBDBDBDBBDBDBDB
                                                                                                                                                                                                                                                                     DBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDDBDBDBDBDBDBDBDBDBDBDBDBDBDB
                                                                                                                                                                                                                                                                                   - eno

                                                                                                                                                                                                                                                                                                                                                                          ED
                                                                                                                                                                                                                                                                     DBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDDBDBDBDBDBDBDBDBDBBDBDBDBDBDBDBDBDBDBDBDB


                                                                                                           Concatenative Text to Speech                                                                                                                              DBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDB

                                                                                                                                                                                                                                                                                    - natural / l
                                                                                                                                                                                                                                                                                                 ive
                                                                                                                                                                                                                                                                     DBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDDBDBDBDBDBDBDBDBDBBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDB
                                                                                                                                                                                                                                                                     DBDBDBDBDBDBDBDBBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDB
                                                                                                                                                                                                                                                                     DBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDDBDBDBDBDBDBDBDBDBBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDB
                                                                                                                                                                                                                                                                     BDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDB
                                                                                                                                                                                                                                                                     DBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDDBDBDBDBDBDBDBDBDBBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBBDBDBDBDBDBDBDBD
                                                                                                                                                                                                                                                                     BDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDB
                                                                                                                                                                                                                                                                     DBDBDBDBDBDBDBDBDBDBDDBDBDBDBDBDBDBDBDBBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBD
                                                                                                                                                                                                                                                                     BDBDBDBDBDBDBDBDBDDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDB
              Time Domain                                                                                                        Input (Text)                                                                                                                        DBDBDDBDBDBDBDBDBDBDBDBBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBD
                                                                                                                                                                                                                                                                     BDDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDDBDBDBDBDBD



                                                                                                                                                                                      Text to Speech at CNEL
                                                                                                                                                                                                                                                                     BDBDBDBBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDDBDBDBDBDBDBDB
                                                                                                                                                                                                                                                                     DBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDDBDBDBDBDBDBDBDBDBBDBDBDBDB




                                                                     B
                                                                                                                              Text Normalization                                                                                                                     DBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDDBDBDBDBDBDBDBDBDBDBDBDBDBDBDB



                                                                         IOLOGICAL INSPIRATION
                                                                                                                                                                                                                                                                     DBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDDBDBDBDBDBDBDBDBDBBDBDBDBDBDBDBDBDBDBDBDBDB
                                                                                                                                                                                                                                                                     DBDBDBDBDBDBDBDBDBDBDBDBDBDBDBBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDB
                                                                                                                                                                                                                                                                     DBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDDBDBDBDBDBDBDBDBDBBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDB
                                                                                                                                                                                                                                                                     DBDBDBDBDBDBDBBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDBDB
                                                                                                                                Segmentation
                            Feature
                            Extraction                                                                                                                                                      C     O          C    A    T    E    N        T      I   V   E
                                                                                                                                                                                                        N                             A
                                                                                                                                          Unit Inventory

                                                                                                                           Prosody Pattern Modeling
                                                                                                                                                                                                      Natural Language Processing (Linguistics)
                                         Classifiers                                                                            Concatenation                                                         * Data-Driven approach (Corpus)
                                                                                                                                                                                                      * Prosody Pattern Encoding
                                                                                                                               Output (Speech)

                                                         Language
                                                                                                                                                                                                      Digital Signal Processing (Electrical Engineering)
                                                         Models
                                                                                                                                                                                                                                                                                 Prosody Pattern Modeling
SPEECH                                                                                                                                                                                                * Prosody Pattern Modeling
                                                                                                                                                                                                        ( Pitch, Duration, Amplitude, … etc. )


RECOGNITION
                                                                                                                                                                                                                                                                                 - Monotonous voice




                                                                     Superior ‘Real World’ Performance                                                                                                                                                                                                                                             Prosody Patterns

                                             “...tickle me...”
   From Jont B. Allen, AT&T Labs Research                            Well-known physical properties                                    Human Factor
                                                                                                                                                                                                                                                             x(t)
   Plenary Speaker, ICASSP’02, Orlando:
                                                                                                                                                                                                                                                               F
                                                                     Psychoacoustic Analysis                                         Cepstral Coefficients                                                                                                                                        duration

                                                                                                                                                                                                                                                         FILTER                                                           intensity

                                                                                                                                                                                                                                                         BANK

                                                        FEATURE
                                                                                     Source-Filter Model                                                                                                                                                                                                                     pitch

                                                                                                                                                                                                                                                                                                                                        - Natural voice
                                                       EXTRACTION
                                                         IS THE
                                                                                     Filterbank Methods
                                                                                                                                                                                                                                                         LOG
                                                       BOTTLENECK!                                                                                                                                                                                       ENERGY
                                                                                     Mel Frequency Warp
                                                                                                                                                                                                                                                               DCT




                                                                                                                                                                                         FILTER
                                                                     1980: MFCC, Davis & Mermelstein
                                                                                                                                                                                                                                                     CEPSTRAL
                                                                                                                                                                                                                                                     DOMAIN
                                                                     1990: PLP, Hermansky
                                                                     2002: HFCC, Skowronski & Harris                                                                                                                   WINDOW

				
DOCUMENT INFO
Shared By:
Categories:
Tags:
Stats:
views:17
posted:9/29/2011
language:English
pages:1