Automatic Speech Recognition for Human-Robot Interaction Using an Under-Resourced Language

Loading...
Thumbnail Image
Journal Title
Journal ISSN
Volume Title
Sähkötekniikan korkeakoulu | Master's thesis
Date
2015-08-24
Department
Major/Subject
Automaatio- ja systeemitekniikka
Mcode
AS3001
Degree programme
AUT - Automaatio- ja systeemitekniikka (TS2005)
Language
en
Pages
52+8
Series
Abstract
Automatic speech recognition will soon be a part of everyday life. Even today many people use the speech recognizer in their smartphones, whether it is Google Now or Siri. Commercial applications have existed for years for automatic dictation, and command-based voice user interfaces. The abundance of software divides languages in two; in well-resourced languages there is no shortage of products, while under-resourced languages might not even receive academic interest. In this thesis, an automatic speech recognizer is built for North Sami, which is a morphologically rich under-resourced language in the Uralic family. These properties create challenges for the recognition process, of which this thesis will concentrate on the issue of out-of-vocabulary words. The use of whole words is compared with word fragments, morphs, and tests are conducted to optimize other language model variables such as vocabulary size and context length. The experiments show that morph-based language models solve the problem of out-of-vocabulary words and significantly improve the recognition results without slowing the process too much. In addition, increasing context length improves the morph models, while adding supervision to generating them does not. As such, this thesis recommends a high order morph model generated with unsupervised methods to be used with North Sami.

Automaattinen puheentunnistus on piakkoin osa kaikkien ihmisten arkea. Jo nyt monet käyttävät älypuhelimissa mukana olevaa puheentunnistinta, oli kyse sitten Google Now:sta tai Siristä. Kaupallisia sovelluksia on ollut jo vuosia automaattisen sanelun, sekä käskypohjaisen käyttöliittymän toteutukseen. Tuotteiden runsaus jakaa kielet osiin, suuriresurssisissa kielissä kaupallisista sovelluksista ei ole pulaa, kun taas vähäresurssiset kielet eivät välttämättä saa edes akateemista huomiota. Tässä diplomityössä rakennetaan automaattinen puheentunnistin pohjoissaamelle, joka on vähäresurssinen ja morfologisesti rikas uralilaiseen kieliperheeseen kuuluva kieli. Nämä ominaisuudet luovat haasteita tunnistukseen, joista tämä diplomityö keskittyy erityisesti sanakirjan ulkopuolisten sanojen synnyttämiin ongelmiin. Kokonaisten sanojen ja sanapalasten, morfien, käyttöä puheentunnistimen kielimallissa verrataan keskenään, ja testeillä optimoidaan myös muita kielimallien muuttujia, kuten sanakirjan kokoa ja kontekstipituuksia. Kokeet osoittavat, että morfi-pohjainen kielimalli ratkaisee sanakirjan ulkopuolisten sanojen ongelman, ja parantaa huomattavasti tunnistustuloksia hidastamatta prosessia liikaa. Lisäksi, kontekstipituuden suurentaminen parantaa morfi-malleja, kun taas ohjauksen lisääminen ei. Näin ollen, korkean asteen morfi-mallia, joka on luotu ohjaamattomasti, suositellaan käytettäväksi saamen kieleen.
Description
Supervisor
Kurimo, Mikko
Thesis advisor
Smit, Peter
Jokinen, Kristiina
Keywords
speech recognition, language modelling, n-gram models, morphology, under-resourced languages
Other note
Citation