Submit Search
Upload
自称・世界一わかりやすい音声認識入門
•
34 likes
•
23,401 views
Tom Hakamata
Follow
自称・世界一わかりやすい音声認識入門です。
Read less
Read more
Technology
Report
Share
Report
Share
1 of 151
Download Now
Download to read offline
Recommended
音声の認識と合成
音声の認識と合成
Akinori Ito
音声合成の基礎
音声合成の基礎
Akinori Ito
DNN音響モデルにおける特徴量抽出の諸相
DNN音響モデルにおける特徴量抽出の諸相
Takuya Yoshioka
やさしく音声分析法を学ぶ: ケプストラム分析とLPC分析
やさしく音声分析法を学ぶ: ケプストラム分析とLPC分析
Shinnosuke Takamichi
WaveNetが音声合成研究に与える影響
WaveNetが音声合成研究に与える影響
NU_I_TODALAB
音声感情認識の分野動向と実用化に向けたNTTの取り組み
音声感情認識の分野動向と実用化に向けたNTTの取り組み
Atsushi_Ando
音声認識の基礎
音声認識の基礎
Akinori Ito
音声コーパス設計と次世代音声研究に向けた提言
音声コーパス設計と次世代音声研究に向けた提言
Shinnosuke Takamichi
More Related Content
What's hot
複数話者WaveNetボコーダに関する調査
複数話者WaveNetボコーダに関する調査
Tomoki Hayashi
Interspeech2022 参加報告
Interspeech2022 参加報告
Yuki Saito
音声合成の今昔と深層学習を用いた音声合成
音声合成の今昔と深層学習を用いた音声合成
Genki Ishibashi
深層学習を利用した音声強調
深層学習を利用した音声強調
Yuma Koizumi
フィラーを含む自発音声合成モデルの品質低下原因の調査と一貫性保証による改善
フィラーを含む自発音声合成モデルの品質低下原因の調査と一貫性保証による改善
Yuta Matsunaga
GAN-based statistical speech synthesis (in Japanese)
GAN-based statistical speech synthesis (in Japanese)
Yuki Saito
統計的音声合成変換と近年の発展
統計的音声合成変換と近年の発展
Shinnosuke Takamichi
JVS:フリーの日本語多数話者音声コーパス
JVS:フリーの日本語多数話者音声コーパス
Shinnosuke Takamichi
音源分離における音響モデリング(Acoustic modeling in audio source separation)
音源分離における音響モデリング(Acoustic modeling in audio source separation)
Daichi Kitamura
[DL輪読会]Wavenet a generative model for raw audio
[DL輪読会]Wavenet a generative model for raw audio
Deep Learning JP
独立深層学習行列分析に基づく多チャネル音源分離の実験的評価(Experimental evaluation of multichannel audio s...
独立深層学習行列分析に基づく多チャネル音源分離の実験的評価(Experimental evaluation of multichannel audio s...
Daichi Kitamura
Moment matching networkを用いた音声パラメータのランダム生成の検討
Moment matching networkを用いた音声パラメータのランダム生成の検討
Shinnosuke Takamichi
実環境音響信号処理における収音技術
実環境音響信号処理における収音技術
Yuma Koizumi
Onoma-to-wave: オノマトペを利用した環境音合成手法の提案
Onoma-to-wave: オノマトペを利用した環境音合成手法の提案
Keisuke Imoto
高効率音声符号化―MP3詳解―
高効率音声符号化―MP3詳解―
Akinori Ito
点群SegmentationのためのTransformerサーベイ
点群SegmentationのためのTransformerサーベイ
Takuya Minagawa
Crfと素性テンプレート
Crfと素性テンプレート
Kei Uchiumi
Neural text-to-speech and voice conversion
Neural text-to-speech and voice conversion
Yuki Saito
ウィナーフィルタと適応フィルタ
ウィナーフィルタと適応フィルタ
Toshihisa Tanaka
Visual SLAM: Why Bundle Adjust?の解説(第4回3D勉強会@関東)
Visual SLAM: Why Bundle Adjust?の解説(第4回3D勉強会@関東)
Masaya Kaneko
What's hot
(20)
複数話者WaveNetボコーダに関する調査
複数話者WaveNetボコーダに関する調査
Interspeech2022 参加報告
Interspeech2022 参加報告
音声合成の今昔と深層学習を用いた音声合成
音声合成の今昔と深層学習を用いた音声合成
深層学習を利用した音声強調
深層学習を利用した音声強調
フィラーを含む自発音声合成モデルの品質低下原因の調査と一貫性保証による改善
フィラーを含む自発音声合成モデルの品質低下原因の調査と一貫性保証による改善
GAN-based statistical speech synthesis (in Japanese)
GAN-based statistical speech synthesis (in Japanese)
統計的音声合成変換と近年の発展
統計的音声合成変換と近年の発展
JVS:フリーの日本語多数話者音声コーパス
JVS:フリーの日本語多数話者音声コーパス
音源分離における音響モデリング(Acoustic modeling in audio source separation)
音源分離における音響モデリング(Acoustic modeling in audio source separation)
[DL輪読会]Wavenet a generative model for raw audio
[DL輪読会]Wavenet a generative model for raw audio
独立深層学習行列分析に基づく多チャネル音源分離の実験的評価(Experimental evaluation of multichannel audio s...
独立深層学習行列分析に基づく多チャネル音源分離の実験的評価(Experimental evaluation of multichannel audio s...
Moment matching networkを用いた音声パラメータのランダム生成の検討
Moment matching networkを用いた音声パラメータのランダム生成の検討
実環境音響信号処理における収音技術
実環境音響信号処理における収音技術
Onoma-to-wave: オノマトペを利用した環境音合成手法の提案
Onoma-to-wave: オノマトペを利用した環境音合成手法の提案
高効率音声符号化―MP3詳解―
高効率音声符号化―MP3詳解―
点群SegmentationのためのTransformerサーベイ
点群SegmentationのためのTransformerサーベイ
Crfと素性テンプレート
Crfと素性テンプレート
Neural text-to-speech and voice conversion
Neural text-to-speech and voice conversion
ウィナーフィルタと適応フィルタ
ウィナーフィルタと適応フィルタ
Visual SLAM: Why Bundle Adjust?の解説(第4回3D勉強会@関東)
Visual SLAM: Why Bundle Adjust?の解説(第4回3D勉強会@関東)
Recently uploaded
00001_test_automation_portfolio_20240313
00001_test_automation_portfolio_20240313
ssuserf8ea02
チームで開発するための環境を整える
チームで開発するための環境を整える
onozaty
キンドリル_ネットワーク自動化成熟度診断サービス ご紹介資料 2024年3月版
キンドリル_ネットワーク自動化成熟度診断サービス ご紹介資料 2024年3月版
Takayuki Nakayama
IGDA Japan SIG Audio #22 オンラインセミナー VRの知る.pdf
IGDA Japan SIG Audio #22 オンラインセミナー VRの知る.pdf
IGDA Japan SIG-Audio
これからはじめるAnsible - Ansible Night Tokyo 2024
これからはじめるAnsible - Ansible Night Tokyo 2024
Hideki Saito
AWS Lambdaと AWS API Gatewayを使ったREST API作り
AWS Lambdaと AWS API Gatewayを使ったREST API作り
iPride Co., Ltd.
キャラで動かすGPT ~GPTsでどんな感じに作っているとか考えていることとか~
キャラで動かすGPT ~GPTsでどんな感じに作っているとか考えていることとか~
honeshabri
The 86th National Convention of IPSJ (Student Encouragement Award))
The 86th National Convention of IPSJ (Student Encouragement Award))
yoshidakids7
JAWS DAYS 2024 E-3 ランチにまつわるちょっといい話 〜給食がない町の小中学生に温かい昼食を〜
JAWS DAYS 2024 E-3 ランチにまつわるちょっといい話 〜給食がない町の小中学生に温かい昼食を〜
Naomi Yamasaki
バイオリンの運弓動作計測による初心者と経験者の差異分析
バイオリンの運弓動作計測による初心者と経験者の差異分析
sugiuralab
SIG-AUDIO 2024 Vol.02 オンラインセミナー 「必殺使音人(ひっさつしおとにん)カットシーンを成敗せよ」
SIG-AUDIO 2024 Vol.02 オンラインセミナー 「必殺使音人(ひっさつしおとにん)カットシーンを成敗せよ」
IGDA Japan SIG-Audio
AWS_Bedrock入門 このスライドは2024/03/08の勉強会で発表されたものです。
AWS_Bedrock入門 このスライドは2024/03/08の勉強会で発表されたものです。
iPride Co., Ltd.
Recently uploaded
(12)
00001_test_automation_portfolio_20240313
00001_test_automation_portfolio_20240313
チームで開発するための環境を整える
チームで開発するための環境を整える
キンドリル_ネットワーク自動化成熟度診断サービス ご紹介資料 2024年3月版
キンドリル_ネットワーク自動化成熟度診断サービス ご紹介資料 2024年3月版
IGDA Japan SIG Audio #22 オンラインセミナー VRの知る.pdf
IGDA Japan SIG Audio #22 オンラインセミナー VRの知る.pdf
これからはじめるAnsible - Ansible Night Tokyo 2024
これからはじめるAnsible - Ansible Night Tokyo 2024
AWS Lambdaと AWS API Gatewayを使ったREST API作り
AWS Lambdaと AWS API Gatewayを使ったREST API作り
キャラで動かすGPT ~GPTsでどんな感じに作っているとか考えていることとか~
キャラで動かすGPT ~GPTsでどんな感じに作っているとか考えていることとか~
The 86th National Convention of IPSJ (Student Encouragement Award))
The 86th National Convention of IPSJ (Student Encouragement Award))
JAWS DAYS 2024 E-3 ランチにまつわるちょっといい話 〜給食がない町の小中学生に温かい昼食を〜
JAWS DAYS 2024 E-3 ランチにまつわるちょっといい話 〜給食がない町の小中学生に温かい昼食を〜
バイオリンの運弓動作計測による初心者と経験者の差異分析
バイオリンの運弓動作計測による初心者と経験者の差異分析
SIG-AUDIO 2024 Vol.02 オンラインセミナー 「必殺使音人(ひっさつしおとにん)カットシーンを成敗せよ」
SIG-AUDIO 2024 Vol.02 オンラインセミナー 「必殺使音人(ひっさつしおとにん)カットシーンを成敗せよ」
AWS_Bedrock入門 このスライドは2024/03/08の勉強会で発表されたものです。
AWS_Bedrock入門 このスライドは2024/03/08の勉強会で発表されたものです。
自称・世界一わかりやすい音声認識入門
1.
世界一わかりやすい音声認識入門 Hakamata Tomohiro 袴田 智博 Lightning
Talk Siri is not Speech Recognition 自称
2.
学生時代は 音声認識 やっていました
3.
いきなりですが 質問です。
4.
音声認識 とは 何でしょうか?
5.
音声認識システム? 初音ミク (Vocaloid)
6.
音声認識システム? FROM HAL9000
7.
音声認識システム? K.I.T.T
8.
音声認識システム? Siri
9.
全て 違います。
10.
音声認識 とは、
11.
音声認識とは 音声認識 こんにちは 音声を 文字 に変換する技術のこと
12.
答え合わせ
13.
正解は 初音ミク (Vocaloid) 音声合成 (歌声合成)
14.
正解は HAL9000 Siri K.I.T.T 音声対話 全て
15.
以前
16.
こんな記事を 見かけました。
18.
!?
19.
本当に 止めてほしい。
20.
導入編終了。
21.
アウトライン 歴史 音声認識の登場と発展 仕組 音声認識のメカニズム 応用
音声認識の利用と応用
22.
歴史
23.
IBM Shoebox 1962 数字認識機 via http://www-03.ibm.com/ibm/history/exhibits/specialprod1/specialprod1_7.html
24.
70∼80年代までは 研究分野止まり
25.
90年代に入り 実用化され始める
26.
SANYO EXCEDIO NV-1V 1993 音声認識機能付きのカーナビ ※定価なんと 50
万円弱
27.
NINTENDO ピカチュウげんきでちゅう 1998 エンターテインメント業界に進出
28.
SEGA シーマン 1999 エンターテインメント業界に進出
29.
IBM ViaVoice 1999 初の有償・音声認識ソフトウェア発売 単語だけでなく、文章が認識できる画期的なソフトウェア。
30.
「音声入力は使えない」 イメージが浸透…
31.
2000年代は 音声業界の氷河期
32.
そして2010年代に入り 突如現れた
33.
APPLE Siri 2011 スマートフォンの音声操作
34.
NTT Docomo しゃべってコンシェル 2012 スマートフォンの音声操作
35.
GOOGLE Speech API 2013 ブラウザが音声認識をサポート
36.
音声入力が だんだん 受け入れられてきた
37.
技術的には どのような 発展があったのか?
38.
音声言語処理ロードマップ from 70年代 TIMELINE ハードウェアの性能向上 統計的機械学習の手法確立と進化 1970
1980 1990 2000 2010 ∼ 音声符号化 孤立 単語 音声認識 大語彙 連続 音声認識 超大語彙 連続 音声認識 連続 音声認識 メルケプストラム 分析 数万語彙に対応 数十∼数百万語に対応単語のみ認識 数百語彙での文章認識 リアルタイム処理 語彙数増加&認識精度の向上
39.
ただし制限あり
40.
理想は アナウンサー 原稿の読み上げ 綺麗な発音 良質な録音環境
41.
音声認識が苦手なもの
42.
複数人の同時発話 会議 ガヤ
43.
砕けた話し方 話し言葉 方言 ラップ 言い澱み
44.
雑音 騒音 機械音 風切り音
45.
なぜなのか?
46.
音声認識の 仕組みが分かれば 謎が解けます!
47.
アウトライン 歴史 音声認識の登場と発展 仕組 音声認識のメカニズム 応用
音声認識の利用と応用
48.
仕組
49.
おさらいです
50.
音声認識とは 音声認識 こんにちは 音声を 文字 に変換する技術のこと
51.
ものすごく ざっくり言うと
52.
音声認識は パターンマッチング
53.
音声認識とは こんにちは 音声認識 音声を パターンマッチング により 文字
に変換する技術のこと こんばんはこんにちはおはよう 照合
54.
つまり
55.
データベースに 存在しない単語は 認識不可能
56.
どういうことか?
57.
こうなります こんにちは 音声認識 佐藤近藤安西 照合 近藤??
58.
そのため
59.
砕けた話し方 話し言葉 方言 ラップ 言い澱み
60.
これは難しい
61.
では、どうやって パターンマッチング しているのか?
62.
音声波形で比較? こんにちは 佐藤 近藤 安西
63.
違います
64.
なぜでしょうか?
65.
複雑さ マイク、音程、スピード、話し方など、 あらゆる条件を一致させなければならない。
66.
原点に 立ち戻りましょう
67.
そもそも 音声 とは?
68.
人間の調音器官により 生成される 音波のこと
69.
調音器官?
70.
この辺一帯です
71.
調音器官 1.外唇 2.内唇 3.歯 4.歯茎 5.歯茎後部 6.硬口蓋前部 7.硬口蓋 8.軟口蓋 9.口蓋垂 10.咽頭壁 11.声門 12.喉頭蓋 13.舌根 14.後舌 15.前舌 16.舌端 17.舌尖 18.舌端裏
72.
これだけの部位を 複雑に動かして 音声は生成されます
73.
人間すごい
75.
ではなくて
76.
パターンマッチングの 話です
77.
調音器官の 動きをパターン化する のでしょうか?
78.
それも違います そういうアプローチの音声合成はありますが
79.
正解は
80.
音素
81.
( ゚д゚)ポカーン 音素?
82.
音素とは 音声言語の最小単位
83.
日本語の場合 母音 アイウエオ 撥音 ン 子音
23種類
84.
日本語音素(子音) 調音位置調音位置 口唇口唇 歯,歯茎歯,歯茎
口蓋口蓋 声門 調音 方法 調音 方法 調音 方法 調音 方法 調音 方法 調音 方法 音源 有声 無声 有声 無声 有声 無声 無声 摩擦音 β z s ʒ ʃ h 破擦音 dz ts dʒ tʃ 破裂音 b p d t g k 半母音 w r j 鼻音 m n ŋ
85.
音素の単位で 音声をパターン化 (モデル化)します
86.
音素単位での 音響的特徴は 音の高さ、大きさの 影響を受けないため です!! ※ささやきは全てが無声音になるので例外
87.
ちなみに
88.
日本人の英語の発音が ジャパニーズイングリッシュ になるのは
89.
調音器官の使い方が 日本語のままだからです
90.
発音矯正 それすなわち
91.
筋トレ
92.
話を戻すと
93.
音素単位で 固有パターン
94.
単語は?
95.
単語 → 音素の並び こんにちは
k - o - N - n - i - ch - i - w - a こんばんは k - o - N - b - a - N - w - a コンバイン k - o - N - b - a - i - N
96.
共通の部分があるぞ? こんにちは k -
o - N - n - i - ch - i - w - a こんばんは k - o - N - b - a - N - w - a コンバイン k - o - N - b - a - i - N
97.
ネットワーク化 こんにちは こんばんは コンバイン k o N
b a N w a i N n i ch i aw
98.
こんにちは あとは…
99.
こんにちは あとは…
100.
こんにちは 区間と音素をマッピング k N n
ch i w ao i
101.
ネットワーク上の 解の探索問題になる こんにちは こんばんは コンバイン k o N
b a N w a i N n i ch i aw
102.
文章は?
103.
単語の並びですね
104.
ネットワーク化します は 元気 です 私 。 は 元気 です 私 。 は 元気 です 私 。 元気
105.
これを音素単位で マッチングします
106.
しかし 単語の組み合わせは 膨大な数になります
107.
語彙が10単語でも、 3語の組み合わせは 10の3乗…
108.
無謀
109.
そこで
110.
制約
111.
文法を規定 は 元気 です 貝 に
なり たい アイドル 。 私 。 。 僕 ドラえもん 。
112.
組み合わせに確率を付与 は 待つ 私 たち の ドラえもん 60% 10% 10% 10% 0% N-gram
113.
設定された制約から 単語の並びを生成し、 入力音声に音素が マッチするか?
114.
という探索問題
115.
音声認識は こんなメカニズムです。
116.
よって
117.
複数人の同時発話 会議 ガヤ
118.
砕けた話し方 話し言葉 方言 ラップ 言い澱み
119.
雑音 騒音 機械音 風切り音
120.
難しいのです。
121.
アウトライン 歴史 音声認識の登場と発展 仕組 音声認識のメカニズム 応用
音声認識の利用と応用
122.
応用
123.
音声認識 単品
124.
NHK ハイブリッド字幕放送 via http://www.nhk.or.jp/seikatsu-blog/800/112861.html
125.
Health Care in
USA アメリカの医療業界
126.
メインは 組み合わせ
127.
Vocollect 音声によるピッキングシステム
128.
SG PRO 英語音声認識を利用した英語発音練習ソフト
129.
iRemocon 音声認識を用いた家電操作用ガジェット
130.
SHARP COCOROBO 関西弁版ルンバ
131.
CINEMA PHONE 上映案内テレホンガイド
132.
他にも
133.
MMDAgent 学内情報案内端末
134.
NICT VoiceTra 音声翻訳アプリ
135.
その他 飛び道具っぽいもの
136.
KAYAC kageroi キーワード検索&表示によるアイデア出し支援
137.
PVI パーキンソン病の診断を音声認識で
138.
などなど
139.
さらに 盛り上がっていくはず!
140.
最後に
141.
音声認識とは 音声認識 こんにちは 音声を 文字 に変換する技術のこと
142.
音声認識は
143.
複数人の同時発話 会議 ガヤ
144.
砕けた話し方 話し言葉 方言 ラップ 言い澱み
145.
雑音 騒音 機械音 風切り音
146.
苦手。
147.
使えねー!!
148.
と怒る前に
149.
綺麗に発音
150.
してみてください!
Download Now