Beszédinformációs rendszerek

A tantárgy angol neve: Speech Information Systems

Adatlap utolsó módosítása: 2013. március 26.

Budapesti Műszaki és Gazdaságtudományi Egyetem
Villamosmérnöki és Informatikai Kar

Mérnök informatikus Szak

Tantárgykód Szemeszter Követelmények Kredit Tantárgyfélév
VITMA400 7 3/1/0/v 5  
3. A tantárgyfelelős személy és tanszék Dr. Németh Géza,
4. A tantárgy előadója

 Név: Beosztás: Tanszék, Int.:
 Dr. Gordos Géza  prof.emeritus TMIT
 Dr. Németh Géza egy. docens TMIT
 Dr. Olaszy Gábor  egy. tanár TMIT
 Dr. Vicsi Klára tud. főmunkatárs TMIT

5. A tantárgy az alábbi témakörök ismeretére épít

A tantárgy elsősorban a Jelek/hálózatok és rendszerek témakör ismeretére épít,

6. Előtanulmányi rend
Kötelező:
NEM (TárgyTeljesítve("BMEVITMA404") ) ÉS

(TárgyEredmény( ahol a TárgyKód = "BMEVISZA208", ahol a Típus = "JEGY", ahol a Ciklus = tetszőleges, ahol a KépzésKód = tetszőleges) >= 2
VAGY
TárgyEredmény( ahol a TárgyKód = "BMEVIMA2203", ahol a Típus = "JEGY", ahol a Ciklus = tetszőleges, ahol a KépzésKód = tetszőleges) >= 2
VAGY
TárgyEredmény( ahol a TárgyKód = "BMEVIMA2512", ahol a Típus = "JEGY", ahol a Ciklus = tetszőleges, ahol a KépzésKód = tetszőleges) >= 2
VAGY
KépzésLétezik( ahol a KépzésKód = "5N-M8")
VAGY
TárgyEredmény( ahol a TárgyKód = "BMETE90AX08", ahol a Típus = "JEGY", ahol a Ciklus = tetszőleges, ahol a KépzésKód = tetszőleges) >= 2
VAGY
Szakirány( ahol a SzakirányKód = "KIEGI", ahol a Ciklus = tetszőleges) )

A fenti forma a Neptun sajátja, ezen technikai okokból nem változtattunk.

A kötelező előtanulmányi rendek grafikus formában itt láthatók.

Ajánlott:

Aki már bármilyen módon a tárgyat vizsgával lezárta, újra nem veheti fel.

7. A tantárgy célkitűzése

Az emberi információ-kezelés és kommunikáció alapja a természetes beszédlánc (beszélő ember - levegő - hallgató ember) működése. A beszédinformációs rendszerek a természetes beszédlánc egy vagy több elemének mesterséges informatikai megvalósítását (pl. beszédfelismerés, beszédszintézis, stb.) integrálják az információ gyűjtésével, tárolásával, feldolgozásával és/vagy az ahhoz való hozzáféréssel kapcsolatos folyamatokba. Napjainkban számos gyakorlati alkalmazásban megjelentek a nagyméretű, egyre jobban integrált és automatizált beszédinformációs rendszerek (pl. hívásközpontok, távfelvilágosítás, tele-banking, ambient intelligence). A tárgy célja a beszédlánc elemei mesterséges megvalósításának megismertetése és a beszéddel vezérelt és/vagy beszéddel válaszoló információs rendszerek azon eljárásainak taglalása, amelyek beszédspecifikusak. A tárgy gyakorlati példák felhasználásával mutatja be a beszédinformációs rendszerek kialakításához szükséges elméleti és gyakorlati ismereteket, az automatizáláshoz alkalmazható beszédtechnológiai eszközrendszer főbb elemeit, azok alapvető működési elveit, specifikációs jellemzőit.

8. A tantárgy részletes tematikája

Bevezetés
A nyelv és a beszéd az emberi kommunikációban. Alapvető modalitások és az emberi érzékelés alapfogalmai, természetes kommunikációs láncok: auditív kommunikáció, vizuális kommunikáció, egyéb (tapintás, szaglás). A természetes beszédlánc elemei és működésük. Az emberi beszédkeltés, a beszédészlelés és a beszédmegértés alapfogalmai. A beszéd akusztikai szerkezetének legfontosabb jellemzői. A beszéd szintjei, redundanciája, a hordozott kiegészítő információk. A lényegkiemelés elmélete.

Beszédkódolás és tömörítés
A beszédkódolás szerepe a digitális beszédtárolás, valamint az infokommunikációs hálózatok rendszereiben. Beszéd/csend és más akusztikus jelek megkülönböztetése. A beszédkódolás alapvető módszerei (PCM, formáns, LPC, és továbbfejlesztéseik). Vektorkvantálás. A kódolás hatása más beszédtechnológiai eszközökre. A kódolt beszéd minősítése (érthetőség, természetesség).

Beszédválaszú rendszerek
A gépi beszédkeltés alapfogalmai (kötött, kötetlen és vegyes szókészlet).

Kötött szókészletű rendszerek tervezési szempontjai. A bemondandó szöveg informatikai tervezése. A szótárméret-minimalizálás és a minőség kompromisszumai. Bemondó kiválasztása, hangfelvétel elkészítése. A kötött szókészletű akusztikai adatbázis tervezési szempontjai. Vegyes rendszerek kialakításának indokai, megoldási lehetőségei. Nagy hanghűségű prozódia módosítási algoritmusok.Kötetlen szókészletű (text-to-speech és concept-to-speech) rendszerek felépítése, alapvető osztályai. Fonéma, diád, triád és nagyobb méretű elemi egységeken alapuló rendszerek. Egységes szövegábrázolási, szövegelemzési és átalakítási feladatok és kapcsolódó adatbázisok. Prozódiai előrejelzés és függvénykészlet. Vezérelhető rendszerfunkciók. Kötetlen szókészletű akusztikus adatbázisok tervezési szempontjai és elkészítésük módszerei. Beszédválasz szövegkorpuszának kialakítása. Az adatbázis elkészítése, módosítása, és ezek algoritmusai. A prozódia (hangmagasság, hangerő, ritmusváltozás) jelentősége és megvalósítása. Valós idejű automatikus prozódia generálás algoritmusai. Többhangú rendszerek és automatikus hangkonverzió. Többnyelvű rendszerek. Nyelvdetekció, ékezetesítés. Egységes hangjelölési rendszerek (IPA, SAMPA). Fejlesztői környezetek. A rendszerek automatizált megvalósításának algoritmusai (pl. gépi tanulás).Beszédfelismerés
A beszédfelismerés alapfogalmai és alapvető architektúrái. A működés fő fázisai: lényegkiemelési, vetemítési, osztályozási eljárások. A beszédfelismerés különböző szintjei. A beszédfelismerők fajtái: személyfüggő, személyfüggetlen, és adaptív rendszerek. Szabálybázisú és statisztikai elven működő, valamint hibrid rendszerek elvi alapjai. Irodai, PSTN, mobil és gépkocsiban működő rendszerek.

A beszéd- és szövegadatbázisok jelentősége a felismerésben. Adatbázisok leírása, tervezése, feldolgozási módszereik. Az akusztikus környezet szerepe.
Felismerő létrehozásának fázisai:A felismerés alapegységének kiválasztása, a beszéd elemtár meghatározása,beszéd és szövegadatbázisok kiválasztása, szótárkészítés, a beszédfelismerő betanítása,tesztelése Szótárkészlet automatikus bővítése, adaptivitás. A prozódia szerepe. Többnyelvű rendszerek kialakítása. Fejlesztői környezetek és eszközök.

Beszélőfelismeréssel és beszélőazonosítással növelt biztonságú hozzáférési rendszerek
Beszélőfelismerés és azonosítás kötött és kötetlen szöveggel. Inter- és intraindividuális jellemzők, azok függése az akusztikus környezettől és az időponttól. Kulcsszó felismerés. A beszéd további biometriai lehetőségei.

Beszédfunkciók alkalmazása információs rendszerekben
Beszéddel informáló dialógus rendszerek alapfogalmai. Rendszer vezérelt, felhasználó vezérelt és vegyes kezdeményezésű rendszerek. DTMF és beszédfelismerő alapú vezérlés beszédválaszú rendszerekben. Uni- és multimodális rendszerek. Modalitás konverzió és szerepe a globális személyes kommunikációs rendszerekben.

Beszédinformációs rendszerek tervezésének és megvalósításának lépései. Széleskörű használatra (pl. idősek) való tervezés (design-for-all). Platform, termékválasztás és tesztelés. Az összehasonlítás és a teljesítmény mérés módszerei. Alapvető beszéddialógus platformok összehasonlítása.

Tipikus alkalmazási környezetek, meghatározó alkalmazói rendszerek. A vállalati akusztikai arculat fogalma és színvonalas biztosításának módszerei. Esettanulmány: alkalmazási mintarendszer tervezése

 

9. A tantárgy oktatásának módja (előadás, gyakorlat, laboratórium)

3*2 óra előadás és 1*2 óra kiscsoportos foglalkozás kéthetes ciklusokban.

10. Követelmények
  • A szorgalmi időszakban:
    • A félév végén az aláírás feltétele egy nagyzárthelyi legalább elégséges szintű megírása. A zárthelyi megírására a félév közepén kerül sor.
  • A vizsgaidőszakban: írásbeli vizsga, eredménytől függő szóbeli javítási lehetőséggel
  • Elővizsga: nincs
11. Pótlási lehetőségek

A zárthelyi egy alkalommal a szorgalmi időszakban és egy ismételt alkalommal a pótlási időszakban pótolható.

12. Konzultációs lehetőségek

A hallgatók kérdéseikkel kereshetik az oktatókat e-levélben és az előadásokon. Ezen felül nagyzárthelyi dolgozat és vizsgák előtt megegyezés szerint konzultációt tartunk.

13. Jegyzet, tankönyv, felhasználható irodalom
  1. Magyar nyelvi beszédtechnológiai alapismeretek: beszédkutatás, beszédtechnológia, beszédinformációs rendszerek,  Nikol KKt, 2002
  2. X. Huang, A. Acero, H. Hon: Spoken Language Processing, Prentice Hall, 2001
  3. D. Gardner-Bonneau: Human Factors and Voice Interactive Systems, Kluwer, 1999
  4. Gordos G., Takács Gy.: Digitális beszédfeldolgozás, Műszaki Könyvkiadó, 1983
  5. Olaszy G.: Elektronikus beszédelőállítás, Műszaki Könyvkiadó, 1989

 

14. A tantárgy elvégzéséhez átlagosan szükséges tanulmányi munka
Kontakt óra 60
Félévközi készülés órákra 30
Felkészülés zárthelyire 15
Házi feladat elkészítése
Kijelölt írásos tananyag elsajátítása 30
Vizsgafelkészülés 15
Összesen150
15. A tantárgy tematikáját kidolgozta
 Név: Beosztás: Tanszék, Int.:
 Dr, Gordos Géza  Prof. emeritus TMIT
 Dr. Németh Géza egy. docens TMIT
 Dr. Olaszy Gábor egy. tanár TMIT
 Dr. Mihajlik Péter egy. adjunktus
 TMIT
 Dr. Vicsi Klára tud. főmunkatárs TMIT