Documentos de traballo · fala, saúde e IA fiableVigo, 2026

Investigación / Recoñecemento de voz robusto e busca na fala / [17]

CENATAV en ALBAYZIN 2018: un sistema con Kaldi para atopar termos falados

Cenatav Voice Group System for Albayzin 2018 Search on Speech Evaluation. IberSPEECH 2018, 2018.

Nunha frase

A primeira participación do Grupo de Voz do CENATAV nas avaliacións ALBAYZIN: un recoñecedor da fala e un detector de termos construídos con Kaldi. Dos tres modelos acústicos, o DNN-HMM deu as puntuacións mellor calibradas e presentouse como sistema primario.

3modelos acústicos comparados
0,59ATWV nos datos de desenvolvemento de MAVIR

A tarefa

Na detección de termos falados hai que atopar unha lista de termos escritos en ficheiros de audio. A lista só se coñece despois de procesar o audio, así que algúns termos quedan fóra do vocabulario do recoñecedor e precisan un tratamento aparte.

O sistema

Dous módulos, ambos construídos coa ferramenta de código aberto Kaldi. Un recoñecedor da fala de vocabulario amplo produce retículas de palabras e aliñamentos, e un módulo de detección busca neles os termos. O recoñecedor adestrouse co audio facilitado pola organización e con datos de ELDA, cun léxico e un modelo de linguaxe de trigramas tirados das transcricións.

Que atopamos

Comparáronse tres modelos acústicos: GMM-HMM, S-GMM e DNN-HMM. No conxunto de desenvolvemento de MAVIR obtiveron un ATWV de 0,56, 0,59 e 0,59. O modelo DNN-HMM foi o que menos termos omitiu e o que mostrou a menor diferenza entre a súa puntuación máxima e a real, sinal de puntuacións de detección ben calibradas, así que se presentou como sistema primario e os outros dous como sistemas contrastivos.

Por que importa

Foi a primeira participación do grupo nas avaliacións ALBAYZIN. Os resultados de todos os participantes analízanse no artigo da avaliación ALBAYZIN 2018.

Citar

Montalvo A.R., Ramírez J.M., Roble A., Calvo J.R. Cenatav Voice Group System for Albayzin 2018 Search on Speech Evaluation. IberSPEECH 2018, 2018.