Grundlagen Der Automatischen Spracherkennung, WS16/17, Vorlesung podcast

#Hochschulbildung #Bildung #Vorlesung #Informatik #Spracherkennung #Signalverarbeitung #Spracherkennungssystem #Recognition #Translator #Speech #Lecture #Karlsruher Instituts Für Technologie KIT #Video #KIT

13:44

Legendary actor and mental health advocate Glenn Close is on a quest to change how we think about mental health, starting with her decision to speak out about her own family's struggles — a brave choice considering the stigma that pervades the topic. This week, we're revisiting this sweeping conversation with TEDWomen curator Pat Mitchell, where Close shares the inspiration behind the advocacy group she founded to combat the crisis, underscoring the transformative power of community and the critical need for comprehensive mental health care systems. Want to help shape TED’s shows going forward? Fill out our survey ! Become a TED Member today at https://ted.com/join Hosted on Acast. See acast.com/privacy for more information.…

Grundlagen der Automatischen Spracherkennung, WS16/17, Vorlesung

Поширити

Головна серій•Feed

Grundlagen der Automatischen Spracherkennung, WS15/17, Vorlesung

19 епізодів

Grundlagen der Automatischen Spracherkennung, WS16/17, Vorlesung

updated 8 років тому

Поширити

Головна серій•Feed

Grundlagen der Automatischen Spracherkennung, WS15/17, Vorlesung

19 епізодів

Все серии

Grundlagen der Automatischen Spracherkennung, WS16/17, Vorlesung

1
Grundlagen der Automatischen Spracherkennung, Vorlesung, WS 2016/17, 06.02.2017, 19 1:23:35

8 years тому1:23:35

1:23:35

0:00:00 Starten 0:00:16 Minimierung des Wortfehlers 0:02:50 Approximierung mit N-besten Listen 0:04:06 WER Minimierung auf Wortgraphen 0:04:18 Multiple Alignment WER 0:07:03 Finden des globalen Alignment 0:08:21 Alignment als Äquivalenzrelation 0:09:44 Finden einer angemessenen Äquivalenzrelation 0:12:02 Intra-Wort-Clustern 0:14:58 Pruning 0:15:45 Confusionsnetzwerke 0:18:20 Confusionsnetzwer-Hypothese 0:19:20 Eyperimente 0:23:03 Systemkombination 0:25:00 Systemkombination mit ROVER 0:28:33 Alignierung vieler Hypothesen mittlels DP 0:29:30 Beispiel 0:30:46 Mehrheitsentscheidung 0:31:25 Experimente 0:34:28 Probleme mit EM Training 0:38:06 Korrektives Training 0:41:22 Diskriminatives Training 0:43:00 Maximierung der Posterioriw'keit 0:43:41 Transformation / Mutual Information 0:45:14 Maximum Mutual Information Estimation (MMIE) 0:47:52 MLE vs. MMIE 0:50:35 MMIE Implementierung 0:51:20 MMIE Optimierung 0:52:16 Erweiterte Baum-Welch Regeln 0:54:59 MMIE Trainingsprozedur 0:57:21 Ergebnisse 0:58:00 MWE/MCE Training 1:07:31 Neue-Worte-Problem 1:09:31 Ansätze 1:11:02 Häufigkeitsverteilung von Wörtern 1:12:46 Herausvorderungen bei der OOV Detektion 1:14:11 OOV Wörtermodelle im AM 1:15:37 AM 1:16:03 OOV Wörtermodelle LM 1:17:49 Automatisches Clustern 1:18:06 Beispiele 1:19:36 Genauigkeit OOV Detektion 1:21:01 Lernen der neuen Wörter 1:21:32 Beispiel Lerndialog…

Grundlagen der Automatischen Spracherkennung, WS16/17, Vorlesung

1
Grundlagen der Automatischen Spracherkennung, Vorlesung, WS 2016/17, 18.01.2017, 18 1:20:14

8 years тому1:20:14

1:20:14

18 | 0:00:00 Starten 0:01:22 Vor- und Nachteile eines Stackdecoders 0:05:30 A* vs. Strahlsuche 0:07:22 Vermeidung von Redundanzen 0:09:23 Baumsuche 0:12:11 Baumsuche mit Sprachmodell 0:13:54 Delayed Bi-Grams 0:21:15 Einsparung durch Baum-Lexica 0:25:40 Kopien von Suchbäumen 0:29:50 Suche mit kontextabhängigen Modellen 0:32:24 Baumsuche mit kontextabhängigen Modellen 0:35:58 N-Besten Suche 0:43:27 Probleme mit n besten Listen 0:45:27 Wortgraphen 0:47:39 Zusammenfassung Beschleunigungstechniken 0:49:35 Mehrpass Suchen 0:50:53 Beispiel: IBIS Single Pass Decoder 0:53:48 Delayed Bi-Grams 1:00:17 Consensus Decoding 1:02:38 Bsp: MAP vs. Wort-Posteriori-W'keiten 1:08:34 Minimierung des Wortfehlers 1:12:50 Approximierung mit N-besten Listen 1:14:55 WER Minimierung auf Wortgraphen 1:17:16 Multiple Alignment WER…

Grundlagen der Automatischen Spracherkennung, WS16/17, Vorlesung

1
Grundlagen der Automatischen Spracherkennung, Vorlesung, WS 2016/17, 16.01.2017, 17 1:19:30

8 years тому1:19:30

1:19:30

17 | 0:00:00 Starten 0:00:04 Suche 0:01:31 Erinnerung: Fundamentalformel 0:02:05 Suche in der Spracherkennung 0:05:08 Erinnerung DTW und One-Stage-DP 0:07:02 Suche im Allgemeinen 0:09:33 Suche mit DP und Heuristik 0:11:37 Kenngrößen für Suchprobleme 0:14:42 Forward-/Backward-/bi-direktionale Suche 0:16:34 Explizite vs. Implizite Implementierung 0:18:15 Blinde Suche 0:19:51 Suchstrategien 0:24:49 Tiefensuche vs. Breitensuche 0:25:58 Heuristische Graphsuche 0:28:42 Zeitasynchrone Suche mit A* 0:33:13 Zeitsynchrone Strahlsuche 0:38:16 Beams in ASR 0:40:15 Beam vs. WER 0:51:26 Kontinuierliche Suchräume, gleichverteiltes Sprachmodell 0:54:51 Suchraum mit Uni-Gramm 0:58:16 Suchraum mit Bi-Grammen 1:00:59 Suchraum mit Tri-Grammen 1:05:58 Viterbi Decoding 1:12:51 A* mit Stack Decoder 1:14:40 Heuristik für A* 1:16:42 Fast Match…

Grundlagen der Automatischen Spracherkennung, WS16/17, Vorlesung

1
Grundlagen der Automatischen Spracherkennung, Vorlesung, WS 2016/17, 21.12.2016, 16 37:21

8 years тому37:21

37:21

16 | 0:00:00 Starten 0:00:04 Kombination von Sprachmodell und Akustischem Modell 0:15:11 Deterministische Sprachmodelle 0:17:41 Repräsentation der Grammatik 0:19:28 Formale Sprachtheorie 0:20:31 Chomsky-Hierarchie 0:22:28 Chartparsing 0:24:54 Probabilistische CFGs 0:28:34 Suche 0:30:26 Erinnerung: Fundamentalformel 0:31:15 Suche in der Spracherkennung…

Grundlagen der Automatischen Spracherkennung, WS16/17, Vorlesung

1
Grundlagen der Automatischen Spracherkennung, Vorlesung, WS 2016/17, 14.12.2016, 15 1:23:10

8 years тому1:23:10

1:23:10

15 | 0:00:00 Starten 0:00:05 Aussprachewörterbücher, Sprachmodelle 0:00:41 Flexibles Trainingsalignment 0:01:05 Aussprachen bestimmen für unüberwachtes Lernen 0:05:18 Emotionserkennung mit Hilfe von Aussprachenvarianten 0:06:27 Aussprachewörterbuch Entwicklung (nach Adda-Decker und Lamel) 0:09:10 Multiworte 0:12:05 Single Pronunciation Dictionaries 0:15:06 Erweiterter Clusterbaum 0:18:48 Ergebnisse 0:22:47 Literaturempfehlung 0:23:27 Sprachmodellierung 0:24:15 Erinnerung: Fundamentalformel 0:29:44 Determinstische vs. Stochastische Sprachmodelle 0:33:48 Wörterratespiel 0:38:08 Wozu dient das Sprachmodell 0:40:26 Stochastische Sprachmodelle 0:44:57 Äquivalenzklassen 0:46:28 Schätzen von N-Gramm W´keiten 0:47:34 Beispiel 0:50:57 Bigramme und Trigramme 0:53:57 Das Bag-of-Words Experiment 0:55:30 Glättung von Sprachmodellparametern 0:57:59 Discounting 1:00:51 Interpolation (Lineare Glättung) 1:02:16 HMM für Interpolationsgewichte 1:10:10 Schätzung der Gewichte 1:10:57 HMM für Interpolationsgewichte 1:11:53 Deleted Interpolation. Basierend auf den »Conditional Counts« 1:17:47 Praktische Aspekte 1:19:38 Schätzen von Y 1:20:28 Allgemeines Rahmenwerk für Glättung 1:22:41 Weitere Notationen…

Grundlagen der Automatischen Spracherkennung, WS16/17, Vorlesung

1
Grundlagen der Automatischen Spracherkennung, Vorlesung, WS 2016/17, 12.12.2016, 14 1:11:33

8 years тому1:11:33

1:11:33

14 | 0:00:00 Starten 0:00:09 Wiederholung 0:03:29 Kontextfragen 0:09:30 Typische Kontextfragen 0:13:15 Abdeckung durch Polyphone 0:14:51 Gewinn durch längere Kontexte 0:16:21 Verwendung dynamischer Modalitäten 0:17:38 Dynamische Modalitäten 0:29:29 Fehler durch Falsche Aussprachen 0:31:19 Generierung von Aussprachewörterbüchern 0:39:42 Verwendung von existierenden Wörterbüchern 0:43:58 Lernen von Ausspracheregeln 0:51:00 Inkrementelles Lernen 0:53:28 Aussprachevarianten 0:56:08 Finden von Aussprachevarianten 0:57:32 Probleme mit Aussprachevarianten 1:02:59 Typische Aussprachevarianten 1:03:38 Regeln für Aussprachevarianten im Deutschen 1:04:40 Datengetriebenes Finden von Aussprachevarianten 1:07:48 Finden von Aussprachevarianten mit dem Silbenmodell 1:09:22 Flexibles Trainingsalignment…

Grundlagen der Automatischen Spracherkennung, WS16/17, Vorlesung

1
Grundlagen der Automatischen Spracherkennung, Vorlesung, WS 2016/17, 30.11.2016, 13 1:26:53

9 years тому1:26:53

1:26:53

13 | 0:00:00 Starten 0:00:06 EM Algorithm 0:00:22 Literatur 0:01:46 Baum-Welch Regeln 0:03:41 Maximum-Likelihood Methode 0:42:38 Expectation Maximization (EM) 0:45:19 EM 0:49:06 EM – Expectation Schritt 0:54:25 EM für Mixtur-Gewichte 1:05:41 EM für Gaußmixturen 1:17:21 EM für HMMs 1:20:05 EM für HMMs Anfangsw´keiten 1:22:18 EM für HMMs Übergangsw´keiten 1:24:26 EM Algorithmus diskrete Emissionsw´keiten…

Grundlagen der Automatischen Spracherkennung, WS16/17, Vorlesung

1
Grundlagen der Automatischen Spracherkennung, Vorlesung, WS 2016/17, 28.11.2016, 12 1:21:08

9 years тому1:21:08

1:21:08

12 | 0:00:00 Starten 0:00:11 EM Algorithmus Emissionsw'keiten GMM 0:06:13 HMM Training für multiple Trainigssequenzen 0:07:32 HMMs in ASR 0:10:16 Wortfolge zu HMM 0:13:56 HMM in ASR 0:26:49 HMM Trainingszyklus 0:36:21 Etikettierte Daten 0:38:19 Initalisierung mit K-Mittelwerte Algorithmus 0:47:19 Neural Gas Algorithmus 0:49:20 Initilisierung der HMM Parameter 0:51:25 Initialisierung ohne Etiketierte Daten 0:53:33 Viterbi Training 0:57:59 Label Training 1:00:00 Komponenten eines HMM Erkenners 1:01:41 Parameterkopplung 1:03:13 Semikontinuierliches HMM 1:10:21 Parameterkopplung…

Grundlagen der Automatischen Spracherkennung, WS16/17, Vorlesung

1
Grundlagen der Automatischen Spracherkennung, Vorlesung, WS 2016/17, 23.11.2016, 11 1:26:49

9 years тому1:26:49

1:26:49

11 | 0:00:00 Starten 0:00:05 EM Algorithm 0:00:19 Literatur 0:01:55 Baum-Welch Regeln 0:03:38 Maximum-Likelihood Methode 0:42:31 Expectation Maximization EM) 0:45:17 EM 0:49:09 EM – Expectation Schritt 0:54:05 EM für Mixtur-Gewichte 1:00:55 EM für Mixturgewichte 1:05:43 EM für Gaußmixturen 1:17:48 EM für HMMs 1:20:37 EM für HMMs Anfangsw´keiten 1:22:50 EM für HMMs Übergangsw´keiten 1:24:30 EM Algorithmus diskrete Emissionsw´keiten…

Grundlagen der Automatischen Spracherkennung, WS16/17, Vorlesung

1
Grundlagen der Automatischen Spracherkennung, Vorlesung, WS 2016/17, 21.11.2016, 10 1:24:22

9 years тому1:24:22

1:24:22

10 | 0:00:00 Starten 0:00:20 Stochastik in der Spracherkennung 0:05:24 Die Fundamentalformel 0:10:01 Stochastische ASR Akustisches Modell 0:11:49 Stochastischer Prozess 0:19:33 Makrow-Kette 0:20:42 Makrow-Kette n-ter Ordnung 0:23:22 Makrow-Ketten 1. Ordnung 0:27:37 Beispiele 0:32:10 Hidden Markov Models 0:40:48 Urne Ball Modell 0:42:27 HMM Definition 0:45:25 HMM Beobachtungsgenerierung 0:46:56 Die HMM Trellis 0:48:38 Die Drei Probleme des HMMs 0:52:21 Forward Algorithmus 0:57:17 Backward Algorithmus 1:04:29 Das Decoding Problem 1:07:30 Viterbi-Algorithmus 1:09:37 Das Lern-Problem 1:17:54 Baum-Welch Regeln…

Grundlagen der Automatischen Spracherkennung, WS16/17, Vorlesung

1
Grundlagen der Automatischen Spracherkennung, Vorlesung, WS 2016/17, 16.11.2016, 09 1:20:59

9 years тому1:20:59

1:20:59

09 | 0:00:00 Starten 0:00:26 DTW für einzelne Wörter 0:03:44 DTW für Sequenzen mehrere Wörter 0:09:45 One Stage DP 0:12:48 One Stage DP Implementierung 0:17:29 One Stage DP Syntaktische Einschränkung 0:20:34 Gaußverteilung (Normalverteilung) 0:26:12 Multivariate Normalverteilung 0:27:33 Kovarianzmatrix der Gaußverteilung 0:34:24 Gauß-Mischverteilung 0:35:16 Benutzung in der Praxis 0:44:11 Vektorquantisierung 0:46:54 Voronoiregionen 0:48:46 Mahalanobis Distanz 0:49:53 Vektorquantisierung als Klassifikationsproblem 0:51:54 K-Nächste Nachbar 0:53:58 Beschleunigung von KNN 1:00:46 Baumstruktur des Merkmalsraums 1:01:41 Aufgabe 1:09:34 Finden von Referenzvektoren 1:10:33 K-MIttelwerte 1:13:07 Learning VQ 1:14:48 LVQ 2, LVQ 3 1:16:18 LVQ als KNN…

Grundlagen der Automatischen Spracherkennung, WS16/17, Vorlesung

1
Grundlagen der Automatischen Spracherkennung, Vorlesung, WS 2016/17, 14.11.2016, 08 1:11:52

9 years тому1:11:52

1:11:52

08 | 0:00:00 Starten 0:00:14 Hauptkomponentenalyse (PCA) 0:02:40 Lineare Diskriminanzanalyse 0:05:21 Vorverarbeitung mit Neuronalen Netzen 0:10:11 Bottelneck Features 0:13:56 Klassifikation 0:15:30 Aufgabe (1) 0:21:36 Statistische vs. Wissensbasierte Ansätze 0:23:15 Wissensbasiert: Entscheidungsbäume 0:25:00 Classification and Regression Trees 0:28:37 Überwachtes vs. Unüberwachtes Lernen 0:30:09 Unüberwachtes Lernen 0:30:31 Überwachtes Lernen 0:31:32 Parametrische vs. Nicht-Parametrische Klassifikation 0:35:22 Bayes Klassifikator 0:37:50 Minimum Fehler Regel 0:37:59 Entscheidungsgrenze 0:39:00 Parzen Fenster 0:39:21 Spracherkennung mit Musterklssifikation 0:41:43 Vergleich ganzer Äußerungen (1) 0:43:48 Aufgabe (2) 0:46:26 Vergleich ganzer Äußerungen (2) 0:50:10 Time Warping 0:51:07 Distanz zweier Äußerungen 0:52:49 Erinnerung MInimale Editierdistanz 0:53:37 DP Matrix 0:54:14 Dynamic Time Warping (DTW) 0:56:03 Einschränkungen des DTW Pfades 0:58:46 DTW Schritte 0:59:46 Globale Einschränkungen 1:00:50 Der DTW Suchraum 1:04:24 Strahlsuche 1:06:01 Mögliche Distanzen zwischen Vektoren…

Grundlagen der Automatischen Spracherkennung, WS16/17, Vorlesung

1
Grundlagen der Automatischen Spracherkennung, Vorlesung, WS 2016/17, 09.11.2016, 07 1:25:20

9 years тому1:25:20

1:25:20

07 | 0:00:00 Starten 0:00:17 Spektrogramm 0:00:58 Oberschwingung, Harmonische 0:03:14 Mel Skalierung 0:07:18 Effekt der Fensterlänge 0:12:44 Quelle Filter Modell der Sprache 0:15:24 Helmholtzresonator 0:17:08 Vokaldreieck 0:21:30 Lineare Vorhersage (LPC) 0:28:54 Interpretation der LPC Koeffizienten 0:30:47 All-Pole Modell 0:30:53 LPC Beispiel 0:33:45 Cepstrum 0:50:02 Diskrete Cosinustransformation 0:51:03 Beispiel: Berechnung MFCC Koeffizienten 0:51:35 Filterbank im Leistungsbetrags-Spektrum 0:51:52 Mel-Filterbank 0:51:59 Logarithmus auf Leistungsbetragsspektrum 0:52:31 Cepstral-Koeffizienten 0:53:17 Log-Spektrum rekonstruiert von (geliftertem) Cepstrum 0:53:35 Vergleich Verschiedener Spektren 0:54:34 Typische Vorverarbeitung 1:05:14 Spektrogramm 1:05:48 Dynamische Merkmale 1:07:36 Autokorrelation 1:12:57 Nulldurchgangsrate 1:15:36 Hauptkomponentenanalyse (PCA) 1:24:51 Lineare Diskriminanzanalyse…

Grundlagen der Automatischen Spracherkennung, WS16/17, Vorlesung

1
Grundlagen der Automatischen Spracherkennung, Vorlesung, WS 2016/17, 31.10.2016, 05 1:02:29

9 years тому1:02:29

1:02:29

05 | 0:00:00 Starten 0:00:33 Grundlagen der Signalverarbeitung 0:00:50 Wozu Signal(vor)verarbeitung? 0:02:33 Systeme 0:06:21 Zeitinvariante System 0:09:58 Dirac Distribution 0:18:18 Faltung 0:20:35 Impulsantwort 0:26:59 Quelle Filter Modell der Sprache 0:30:42 Parametereigenschaften einer trigonometrischen Funktion 0:32:31 Darstellungen der Fourierreihe 0:38:34 Fouriertransformation 0:45:20 Komplexes Spektrum 0:52:36 Projektion der komplexen Exponentialfunktion auf die reelle trigonometrische Funktion 0:52:57 Zeitdiskrete Fouriertransformation 0:55:51 Diskrete Fouriertransformation…

Grundlagen der Automatischen Spracherkennung, WS16/17, Vorlesung

1
Grundlagen der Automatischen Spracherkennung, Vorlesung, WS 2016/17, 02.11.2016, 06 1:29:22

9 years тому1:29:22