Diarizace reproduktorů - Speaker diarisation

Diarizace reproduktorů (nebo diarizace) je proces rozdělení vstupního zvukového proudu na homogenní segmenty podle identity mluvčího. Může zlepšit čitelnost souboru automatický přepis řeči strukturováním zvukového proudu do otáček reproduktorů a při použití společně s rozpoznávání reproduktorů systémy tím, že poskytuje skutečnou identitu mluvčího.[1] Používá se k zodpovězení otázky „kdo kdy mluvil?“[2]Diarizace reproduktorů je kombinací segmentace reproduktorů a jejich seskupování. První je zaměřen na nalezení bodů pro změnu reproduktoru ve zvukovém proudu. Druhá má za cíl seskupit segmenty řeči na základě charakteristik mluvčích.

S rostoucím počtem vysílání, nahrávek schůzek a hlasové pošty, které se každoročně shromažďují, se diarizaci řečníků dostalo velké pozornosti řečové komunity, což se projevuje konkrétními hodnoceními, která se jí věnují pod záštitou Národní institut pro standardy a technologie pro telefonický projev, vysílání zpráv a schůzky.[3]

Hlavní typy diarizačních systémů

V diarizaci řečníků je jednou z nejpopulárnějších metod použití a Gaussův model směsi modelovat každý z reproduktorů a přiřadit odpovídající rámečky každému reproduktoru pomocí a Skrytý Markovův model. Existují dva hlavní druhy klastrového scénáře. První z nich je zdaleka nejoblíbenější a jmenuje se Bottom-Up. Algoritmus začíná rozdělením celého zvukového obsahu do řady klastrů a postupně se pokouší sloučit nadbytečné klastry, aby dosáhl situace, kdy každý klastr odpovídá skutečnému řečníkovi. Nazývá se druhá klastrovací strategie vzhůru nohama a začíná jedním jediným klastrem pro všechna zvuková data a pokouší se je iterativně rozdělit, dokud nedosáhne počtu klastrů rovných počtu reproduktorů. Recenze z roku 2010 najdete na [1]

Software pro diarizaci reproduktorů s otevřeným zdrojovým kódem

Existuje několik iniciativ otevřeného zdroje pro diariazaci řečníků:

  • ALIZE Diarizace reproduktorů (poslední aktualizace úložiště: červenec 2016; poslední vydání: únor 2013, verze: 3.0): ALIZE Diarization System, vyvinutý na University Of Avignon, je k dispozici verze 2.0 [2].
  • SpkDiarizace (poslední vydání: září 2013, verze: 8.4.1): nástroj LIUM_SpkDiarization [3].
  • Audioseg (poslední aktualizace úložiště: květen 2014; poslední vydání: leden 2010, verze: 1.2): AudioSeg je sada nástrojů věnovaná segmentaci zvuku a klasifikaci zvukových proudů. [4].
  • Křičet (poslední aktualizace: prosinec 2010; verze: 0.3): SHoUT je softwarový balíček vyvinutý na University of Twente za účelem podpory výzkumu rozpoznávání řeči. SHoUT je holandská zkratka pro Výzkum rozpoznávání řeči na University of Twente. [5]
  • pyAudioAnalysis (poslední aktualizace úložiště: srpen 2018): Python Audio Analysis Library: Extrakce funkcí, klasifikace, segmentace a aplikace [6]

Reference

  1. ^ Zhu, Xuan; Barras, Claude; Meignier, Sylvain; Gauvain, Jean-Luc. „Vylepšená diarizace reproduktorů pomocí identifikace reproduktorů“. Citováno 2012-01-25.
  2. ^ Kotti, Margarita; Moschou, Vassiliki; Kotropoulos, Constantine. „Segmentace a shlukování reproduktorů“ (PDF). Citováno 2012-01-25.
  3. ^ „Bohatý projekt hodnocení transkripce“. NIST. Citováno 2012-01-25.

Bibliografie