XÂY DỰNG MÔ HÌNH NHẬN DIỆN GIỌNG NÓI TIẾNG VIỆT

Abstract

Mạng nơ-ron tích chập CNN là một mạng nơ-ron phổ biến và được sử dụng rộng rãi trong các mô hình xử lý ảnh và nhận diện giọng nói tự động. Luận văn này áp dụng mạng CNNs vào việc nhận diện âm thanh dựa vào các trích xuất đặc trưng Mel Frequency Spectral Coefficients. Chúng tôi sử dụng mô hình GLU-CNNs với chỉ số đánh giá CTC để huấn luyện mô hình ngữ âm. Quá trình decode sử dụng mô hình ngôn ngữ KenLM và tìm kiếm Beam để chuyển âm thanh đầu vào thành văn bản. Tập dữ liệu bao gồm 22.700 tập tin file âm thanh dạng WAV được thu thập từ VIVOS và sachonline.com để huấn luyện mô hình âm học và 1.000 tập tin âm thanh dạng wav dùng để đánh giá, dựa vào bộ từ điển tập hợp các ký tự tiếng Việt và 2,2 GB dữ liệu thô dạng text được thu thập từ báo mạng Vnexpress.net, thông qua mô hình ngôn ngữ và tìm kiếm Beam để giải mã âm thanh đầu vào. Kết quả đạt được của luận văn dựa vào chỉ số WER là 3,32% cho mô hình GLU-CNNs ở tập đánh giá.