Идентификация языка в системе поиска аудиоинформации по ключевым словам на казахском языке в многоязыковой среде
Ключевые слова:
идентификация языка, рекуррентные нейронные сети с Долгой Кратко- срочной Памятью, автоматическое распознавание речи, поиск в аудио по ключевым словамАннотация
Обработка больших данных в настоящее время является одной из важнейших задач ИТ-
индустрии, а аудиоматериалы рассматриваются как один из основных источников этих
данных. Следовательно, наряду с увеличением объема аудиоинформации, необходимо со-
здать эффективные информационно-поисковые системы для аудиоматериалов (STD). Так
как аудио данные могут быть на разных языках, тут предстоит распознавать язык в аудио.
Автоматическая идентификация языка (LID) рассматривается как задача, которая автома-
тически различает язык, на котором говорят в речевом образце. Современный прогресс в
обработке сигналов, таких как распознавание образов, машинное обучение и нейронные се-
ти, повышает производительность LID. В этой работе мы применили новейшие технологии
рекуррентных нейронных сетей (RNN) с долгой краткосрочной памятью (LSTM) к исход-
ным аудиофункциям, чтобы идентифицировать звуковые образцы на казахском языке. Сети
LSTM рассматриваются как тип RNN, который использует специальные единицы вместе со
стандартными. Кроме того, блоки LSTM состоят из «ячейки памяти», которая может хра-
нить информацию в памяти в течение длительных периодов времени. STD система может
отбирать аудиоматериалы на казахском языке с помощью LID и тем самым не тратить вы-
числительные ресурсы на аудио данных на других языках. В этой работе мы показываем
результаты для автоматизированного распознавания речи, определения голосовых терминов
и экспериментов по иденти
Библиографические ссылки
Technologies: The 2010 Annual Conference of the North American Chapter of the Association for Computational
Linguistics, Los Angeles, CA, pp. 229-237. Association for Computational Linguistics, 2010.
[2] Brown, Martin G., Jonathan Trumbull Foote, Gareth JF Jones, K. Sparck Jones, and Steve J. Young. "Open-vocabulary
speech indexing for voice and video mail retrieval." In Proceedings of the fourth ACM international conference on
Multimedia, Boston, MA, USA, pp. 307-316. ACM, 1997.
[3] Brummer, Niko, Sandro Cumani, Ondrej Glembek, Martin Karafiat, Pavel Matejka, Jan Pesan, Oldrich Plchot, Mehdi
Soufifar, Edward de Villiers, and Jan Honza Cernocky. "Description and analysis of the Brno276 system for LRE2011."
In Odyssey 2012-The Speaker and Language Recognition Workshop, Singapore, 2012.
[4] Can, Dogan, and Murat Saraclar, Edward de Villiers, and Jan Honza Cernocky. "Lattice indexing for spoken term
detection." In IEEE Transactions on Audio, Speech, and Language Processing 19, no. 8 (2011): 2338-2347.
[5] Cimarusti, Deidre, and R. Ives. "Development of an automatic identification system of spoken languages: Phase I." In
Acoustics, Speech, and Signal Processing, IEEE International Conference on ICASSP’82, Paris, France, vol. 7, pp.
1661-1663. IEEE, 1982.
[6] Chelba, Ciprian, and Alex Acero. "Indexing uncertainty for spoken document search." In Ninth European Conference on
Speech Communication and Technology, Lisboa, Portugal, pp. 61-64. 2005.
[7] Chelba, Ciprian, and Alex Acero. "Position specific posterior lattices for indexing speech." In Proceedings of the 43rd
Annual Meeting on Association for Computational Linguistics, Ann Arbor, Michigan, USA, pp. 443-450. Association for
Computational Linguistics, 2005.
[8] Dehak, Najim, Patrick J. Kenny, Reda Dehak, Pierre Dumouchel, and Pierre Ouellet. "Front-end factor analysis for
speaker verification." In IEEE Transactions on Audio, Speech, and Language Processing 19, no. 4 (2011): 788-798.
[9] Dunning, Ted. "Statistical identification of language." In Computing Research Laboratory, New Mexico State University,
pp. 94-273, 1994.
[10] Garofolo, John S., Cedric GP Auzanne, and Ellen M. Voorhees. "The TREC spoken document retrieval track: A success
story." In Content-Based Multimedia Information Access-Volume 1, pp. 1-20. LE CENTRE DE HAUTES ETUDES
INTERNATIONALES D’INFORMATIQUE DOCUMENTAIRE, 2000.
[11] Gold, E. Mark. "Language identification in the limit." In Information and control, 10, no. 5 (1967): 447-474.
[12] Gonzalez-Dominguez, Javier, Ignacio Lopez-Moreno, Javier Franco-Pedroso, Daniel Ramos, Doroteo Torre Toledano, and
Joaquin Gonzalez-Rodriguez. "Multilevel and session variability compensated language recognition: Atvs-uam systems at
nist lre 2009." In IEEE Journal of Selected Topics in Signal Processing , 4, no. 6 (2010): 1084-1093.
[13] Graves, Alex. In Supervised sequence labelling with recurrent neural networks , Vol. 385. Heidelberg: Springer, 2012.
[14] James, David Anthony. "The application of classical information retrieval techniques to spoken documents." In University
of Cambridge Press , 1995.
[15] Li, K., and T. Edwards. "Statistical models for automatic language identification." In Acoustics, Speech, and Signal
Processing, IEEE International Conference on ICASSP’80, Denver, Colorado, USA , vol. 5, pp. 884-887. IEEE, 1980.
[16] Lopez-Moreno, Ignacio, Javier Gonzalez-Dominguez, Oldrich Plchot, David Martinez, Joaquin Gonzalez-Rodriguez, and
Pedro Moreno. "Automatic language identification using deep neural networks." In IEEE International Conference on
Acoustics, Speech and Signal Processing (ICASSP), Florence, Italy , pp. 5337-5341. IEEE, 2014.
[17] Lozano-Diez, Alicia, Javier Gonzalez-Dominguez, Ruben Zazo, Daniel Ramos, and Joaquin Gonzalez-Rodriguez. "On the
use of convolutional neural networks in pairwise language recognition." In Advances in Speech and Language Technologies
for Iberian Languages, Madrid, Spain , pp. 79-88. Springer, Cham, 2014.
[18] Mamou, Jonathan, David Carmel, and Ron Hoory. "Spoken document retrieval from call-center conversations." In
Proceedings of the 29th annual international ACM SIGIR conference on Research and development in information
retrieval, Seattle, WA, USA , pp. 51-58. ACM, 2006.
[19] Martinez, David, Oldrich Plchot, Lukas Burget, Ondrej Glembek, and Pavel Matejka. "Language recognition in ivectors
space." In Proceedings of Interspeech, Firenze, Italy (2011): 861-864.
[20] Nakagawa, Seiichi, Yoshio Ueda, and Takashi Seino. "Speaker-independent, text-independent language identification by
HMM." In ICSLP, Alberta, Canada, vol. 92, pp. 1011-1014. 1992.
[21] Povey, Daniel, Arnab Ghoshal, Gilles Boulianne, Lukas Burget, Ondrej Glembek, Nagendra Goel, Mirko Hannemann et
al. "The Kaldi speech recognition toolkit." In IEEE 2011 workshop on automatic speech recognition and understanding,
no. EPFL-CONF-192584. IEEE Signal Processing Society, 2011.
[22] Singer, Elliot, Pedro Torres-Carrasquillo, Douglas A. Reynolds, Alan McCree, Fred Richardson, Najim Dehak, and
Doug Sturim. "The MITLL NIST LRE 2011 language recognition system." In Odyssey 2012-The Speaker and Language
Recognition Workshop, Singapore , 2012.
[23] Singhal, Amit, John Choi, Donald Hindle, David D. Lewis, and Fernando Pereira. "At&t at trec-7." NIST SPECIAL
PUBLICATION SP (1999): 239-252.
[24] Singhal, Amit, and Fernando Pereira. "Document expansion for speech retrieval." In Proceedings of the 22nd annual
international ACM SIGIR conference on Research and development in information retrieval, Berkeley, CA, USA , pp.
34-41. ACM, 1999.
[25] Torres-Carrasquillo, Pedro A., Elliot Singer, Mary A. Kohler, Richard J. Greene, Douglas A. Reynolds, and John R.
Deller Jr. "Approaches to language identification using Gaussian mixture models and shifted delta cepstral features." In
Interspeech, Denver, Colorado, USA . 2002.
[26] Van Segbroeck, Maarten, Ruchir Travadi, and Shrikanth S. Narayanan. "Rapid language identification." In IEEE
Transactions on Audio, Speech, and Language Processing 23, no. 7 (2015): 1118-1129.
[27] Zazo, Ruben, Alicia Lozano-Diez, Javier Gonzalez-Dominguez, Doroteo T. Toledano, and Joaquin Gonzalez-Rodriguez.
"Language identification in short utterances using long short-term memory (LSTM) recurrent neural networks." PloS
one. 11, no. 1 (2016): e0146917.
[28] 1. Zissman, Marc A. "Comparison of four approaches to automatic language identification of telephone speech." IEEE
Transactions on speech and audio processing 4, no. 1 (1996): 31.