Automātiskā latviešu valodas runas atpazīšana

Abstract

Automātiskā runas atpazīšana ir populārs datorzinātnes pētniecības virziens, kurā krustojas vairāku apakšnozaru zināšanas apgabali, piemēram, dabiskās valodas apstrāde, mašīnmācīšanās, diģitālu signālu apstrāde u.c., kopā veidojot nepieciešamo teorētisko bazi automātiskās runas atpazīšanas metodoloģijas izstrādei. Automātiskai runas transkripcijas tehnoloģijai ir būtiska praktiskā nozīme mūsdienu pasaulē, tā ir diģitālu balss asistentu kodola mehānisms, kā arī balss tulkotāju, kas saņem ievadā nevis tekstu, bet audio ierakstu ar cilvēka runu, darbība bez tā būtu praktiski neiespējama un, beidzot, daži no teksta redaktoriem, piemēram, Microsoft Word, ir jau integrējuši šo tehnoloģiju, kas dod iespēju lietotājiem diktēt tekstu, nevis drukāt to ar roku, kas var būtiski ietaupīt laiku. Bakalaura darba “Automātiskā latviešu valodas runas atpazīšana” tiek izpētīta dziļās mašīnmācīšanas pielietojums latviešu valodas runas automātiskas transkripcijas veidošanā un aplūkotas dažas ASR sistēmas arhitektūras, mākslīgo neironu tīklu arhitektūras.

Automatic speech recognition is a popular research area for computer science that combines knowledge domains of its various subfields such as natural language processing, machine learning, digital signal processing, and others that comprise a required theoretical basis for developing automatic speech recognition methodology. Automatic speech recognition has essential practical importance in today’s world as it is a core technology for voice assistants as well as voice translation that, as opposed to traditional text translation receives human speech records, that wouldn’t be possible without the use of it, and finally some of the modern text editors such as Microsoft Word has integrated this technology that enables users to dictate text through microphone instead of writing it by hand that may save a lot of time. The bachelor’s thesis “Automatic Latvian speech recognition” explores the use of deep learning in the automatic transcription of Latvian language speech. Several existing ASR architectures are described, as well as architectures of artificial neural networks that are part of those systems.