Změření vlivu akustiky prostředí na úspěšnost rozpoznávače řeči

Abstract

Táto bakalárska práca sa venuje sledovaniu vplyvu akustických parametrov na úspešnosť rozpoznávania reči. Použité rozpoznávače sú vyhodnotené na korpusoch Speecon, Temic a LibriSpeech. Porovnávané sú rôzne verzie týchto dát, ktoré vznikli retransmisiou v niekoľkých miestnostiach a umelou retransmisiou pomocou impulzných odoziev. Tie boli vytvorené metódami Exponential sine sweep (ESS) a Maximum length sequence (MLS) pre skutočné miestnosti a tiež pomocou metódy Image source model (ISM), ktorá generuje syntetické impulzné odozvy. Výstupom je porovnanie týchto spôsobov retransmisie. Pre metódu ESS je skúmaná úspešnosť rozpoznávania pre rôzne dĺžky excitačného signálu. Okrem toho je sledovaná závislosť úspešnosti rozpoznávania na vzájomnej polohe zdroja a prijímača, prítomnosti prekážok a smere mikrofónov.

This bachelor thesis deals with investigation of impacts of acoustical parameters on automatic speech recognition (ASR) accuracy. Used ASRs were evaluated on Speecon, Temic and LibriSpeech corpuses. This work includes comparison of different versions of these data, which were created using retransmission in several rooms and artificial retransmission using impulse responses. These were created using methods Exponential sine sweep (ESS) and Maximum length sequence (MLS) for real rooms, as well as using Image source model (ISM) method, which generates artificial impulse responses. Output of the thesis is comparison of these types of retransmission. For ESS method, ASR accuracy for different lengths of the excitation signal is examined. Furthermore, the impact of relative position between source and receiver, presence of barriers and directionality of microphones is studied.