Budapest University of Technology and Economics, Faculty of Electrical Engineering and Informatics

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

A kötelező előtanulmányi rend az adott szak honlapján és képzési programjában található.

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. okostelefonok, TV-k, tabletek automatizált beszédfunkciói, hívásközpontok, tele-banking). 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.

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

10*4 óra előadás és 8*2 óra kiscsoportos foglalkozás az őszi félévben a félév első 10 hetében egyenletesen elosztva. 

• A szorgalmi időszakban:
• A  11. héten egy nagyzárthelyi legalább elégséges szintű megírása.
• Nagyzárthelyi pótlási lehetőség: a 12. vagy a 13. héten egy alkalommal
• A tárgy osztályzata megegyezik a nagyzárthelyi eredményével
• A vizsgaidőszakban: pótlási lehetőség egy alkalommal

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

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

Kötelező irodalom:

1. Németh G., Olaszy G.: A magyar beszéd, Akadémiai Kiadó, 2010

Ajánlott irodalom:

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