Beszéd-információs rendszerek

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