|
|
Query-by-Example Spoken Term Detection
Fapšo, Michal ; Matoušek, Jindřich (oponent) ; Metze, Florian (oponent) ; Černocký, Jan (vedoucí práce)
This thesis investigates query-by-example (QbE) spoken term detection (STD). Queries are entered in their spoken form and searched for in a pool of recorded spoken utterances, providing a list of detections with their scores and timing. We describe, analyze and compare three different approaches to QbE STD, in various language-dependent and language-independent setups with diverse audio conditions, searching for a single example and five examples per query. For our experiments we used Czech, Hungarian, English and Levantine data and for each of the languages we trained a 3-state phone posterior estimator. This gave us 16 possible combinations of the evaluation language and the language of the posterior estimator, out of which 4 combinations were language-dependent and 12 were language-independent. All QbE systems were evaluated on the same data and the same features, using the metrics: non-pooled Figure-of-Merit and our proposed utterrance-normalized non-pooled Figure-of-Merit, which provided us with relevant data for the comparison of these QbE approaches and for gaining a better insight into their behavior. QbE approaches presented in this work are: sequential statistical modeling (GMM/HMM), template matching of features (DTW) and matching of phone lattices (WFST). To compare the performance of QbE approaches with the common query-by-text STD systems, for language-dependent setups we also evaluated an acoustic keyword spotting system (AKWS) and a system searching for phone strings in lattices (WFSTlat). The core of this thesis is the development, analysis and improvement of the WFST QbE STD system, which after the improvements, achieved similar performance to the DTW system in language-dependent setups.
|
|
|
Hybrid Machine Translation Approaches for Low-Resource Languages
Kamran, Amir ; Popel, Martin (vedoucí práce) ; Kuboň, Vladislav (oponent)
V poslední době poskytují systémy automatického překladu založené na korpusových datech dobré výsledky pro celou řadu jazykových párů. Ty jazyky, pro které není k dispozici dostatek dat (jako např. Urdu), však při použití čistě statistických nebo příkladových metod dobré výsledky nemají. Na druhou stranu, metody založené na pravidlech vyžadují obrovské množství času a zdrojů pro vývoj pravidel, což je ve většině případů příliš náročné. Jedním z možných řešení se jeví hybridní systémy automatického překladu, ve kterých je možné kombinovat to nejlepší z různých přístupů za účelem dosažení kvalitního překladu. Tato práce zkoumá různé kombinace přístupů a vyhodnocuje jejich výkon v porovnání se standardně používanými korpusovými metodami. Zahrnuje: 1. Použití syntaktických a závislostních přerovnávacích pravidel v kombinaci se statistickým strojovým překladem. 2. Automatickou extrakci lexikálních a syntaktických pravidel využívající statistické metody pro strojový překlad prostřednictvím transferu. Novým prvkem je v této práci vývoj algoritmu, který se automaticky učí přerovnávací pravidla pro anglicko-urdský statistický automatický překlad. Tento přístup je navíc rozšířen na učení se lexikálních a syntaktických pravidel pro možné vybudování překladového systému založeného na pravidlech.
|
|
|
Exploring Benefits of Transfer Learning in Neural Machine Translation
Kocmi, Tom ; Bojar, Ondřej (vedoucí práce) ; van Genabith, Josef (oponent) ; Cuřin, Jan (oponent)
Název práce: Zkoumání výhod přenosu znalostí v neuronovém strojovém překladu Autor: Tom Kocmi Ústav: Ústav formální a aplikované lingvistiky Vedoucí disertační práce: doc. RNDr. Ondřej Bojar, Ph.D., Ústav formální a aplikované lingvistiky Klíčová slova: transfer znalostí, strojový překlad, hluboké neuronové sítě, jazyky s málo zdroji Abstrakt: Je známo, že neuronový strojový překlad vyžaduje velké množství paralelních trénovacích vět, které obecně brání tomu, aby vynikal na párech jazyků s ne- dostatečným množstvím zdrojů. Tato práe se zabývá využitím translingválního učení na neuronových sítích jako způsobu řešení problému nedostatku zdrojů. Navrhujeme několik přístupů k transferu znalostí za účelem opětovného využití modelu předtrénovaného na jiné jazykové dvojici s velkým množstvím zdrojů. Zvláštní pozornost věnujeme jednoduchosti technik. Studujeme dva scénáře: a) když používáme předtrénovaný model bez jakýchkoli předchozích úprav jeho trénovacího procesu a b) když můžeme předem připravit prvostupňový model pro transfer znalostí pro potřeby dítěte. Pro první scénář představujeme metodu opětovného využití modelu předtrénovaného jinými výzkumníky. V druhém případě předkládáme metodu, která dosáhne ještě většího zlepšení. Kromě navrhovaných technik se zaměřujeme na hloubkovou analýzu technik transferu...
|
|
|
Hybrid Machine Translation Approaches for Low-Resource Languages
Kamran, Amir ; Popel, Martin (vedoucí práce) ; Kuboň, Vladislav (oponent)
V poslední době poskytují systémy automatického překladu založené na korpusových datech dobré výsledky pro celou řadu jazykových párů. Ty jazyky, pro které není k dispozici dostatek dat (jako např. Urdu), však při použití čistě statistických nebo příkladových metod dobré výsledky nemají. Na druhou stranu, metody založené na pravidlech vyžadují obrovské množství času a zdrojů pro vývoj pravidel, což je ve většině případů příliš náročné. Jedním z možných řešení se jeví hybridní systémy automatického překladu, ve kterých je možné kombinovat to nejlepší z různých přístupů za účelem dosažení kvalitního překladu. Tato práce zkoumá různé kombinace přístupů a vyhodnocuje jejich výkon v porovnání se standardně používanými korpusovými metodami. Zahrnuje: 1. Použití syntaktických a závislostních přerovnávacích pravidel v kombinaci se statistickým strojovým překladem. 2. Automatickou extrakci lexikálních a syntaktických pravidel využívající statistické metody pro strojový překlad prostřednictvím transferu. Novým prvkem je v této práci vývoj algoritmu, který se automaticky učí přerovnávací pravidla pro anglicko-urdský statistický automatický překlad. Tento přístup je navíc rozšířen na učení se lexikálních a syntaktických pravidel pro možné vybudování překladového systému založeného na pravidlech.
|
|
|
Query-by-Example Spoken Term Detection
Fapšo, Michal ; Matoušek, Jindřich (oponent) ; Metze, Florian (oponent) ; Černocký, Jan (vedoucí práce)
This thesis investigates query-by-example (QbE) spoken term detection (STD). Queries are entered in their spoken form and searched for in a pool of recorded spoken utterances, providing a list of detections with their scores and timing. We describe, analyze and compare three different approaches to QbE STD, in various language-dependent and language-independent setups with diverse audio conditions, searching for a single example and five examples per query. For our experiments we used Czech, Hungarian, English and Levantine data and for each of the languages we trained a 3-state phone posterior estimator. This gave us 16 possible combinations of the evaluation language and the language of the posterior estimator, out of which 4 combinations were language-dependent and 12 were language-independent. All QbE systems were evaluated on the same data and the same features, using the metrics: non-pooled Figure-of-Merit and our proposed utterrance-normalized non-pooled Figure-of-Merit, which provided us with relevant data for the comparison of these QbE approaches and for gaining a better insight into their behavior. QbE approaches presented in this work are: sequential statistical modeling (GMM/HMM), template matching of features (DTW) and matching of phone lattices (WFST). To compare the performance of QbE approaches with the common query-by-text STD systems, for language-dependent setups we also evaluated an acoustic keyword spotting system (AKWS) and a system searching for phone strings in lattices (WFSTlat). The core of this thesis is the development, analysis and improvement of the WFST QbE STD system, which after the improvements, achieved similar performance to the DTW system in language-dependent setups.
|
host ::
RSS.