Beszédinformációs rendszerek

A tantárgy angol neve: Speech Information Systems

Adatlap utolsó módosítása: 2017. június 17.

Budapesti Műszaki és Gazdaságtudományi Egyetem
Villamosmérnöki és Informatikai Kar
Mérnök informatikus szak, BSc képzés
Villamosmérnöki szak, BSc képzés
Tantárgykód Szemeszter Követelmények Kredit Tantárgyfélév
VITMAD00 7 2/1/0/f 3  
3. A tantárgyfelelős személy és tanszék Dr. Németh Géza,
A tantárgy tanszéki weboldala http://smartlab.tmit.bme.hu/oktatas-beszedinformacios-rendszerek
4. A tantárgy előadója

Név:

Beosztás:

Tanszék, Int.:

Dr. Németh Géza

egyetemi docens

TMIT

Dr. Csapó Tamás Gábor

tud.smts.

TMIT

Dr. Zainkó Csaba

egyetemi adjunktus

TMIT

6. Előtanulmányi rend
Kötelező:
(TargyEredmeny("BMEVISZAB00" , "jegy" , _ ) >= 2 VAGY
TargyEredmeny("BMEVISZAB02" , "jegy" , _ ) >= 2 VAGY
TargyEredmeny("BMEVISZA208" , "jegy" , _ ) >= 2 )


ÉS NEM ( TárgyEredmény( "BMEVITMA400" , "jegy" , _ ) >= 2
VAGY
TárgyEredmény("BMEVITMA400", "FELVETEL", AktualisFelev()) > 0
VAGY
TárgyEredmény( "BMEVITMA404" , "jegy" , _ ) >= 2
VAGY
TárgyEredmény("BMEVITMA404", "FELVETEL", AktualisFelev()) > 0)

ÉS (Training.Code=("5N-A8") VAGY Training.Code=("5NAA8"))

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

A kötelező előtanulmányi rendek grafikus formában itt láthatók.

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. okostelefonok, TV-k, tabletek automatizált beszédfunkciói, hívásközpontok, tele-banking, mint Apple Siri asszisztens, Google Voice Search, diktáló rendszerek. beszéd- és szöveg analitika, gépi tolmácsolás). 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.

A tantárgyat sikeres teljesítő hallgató képes lesz:

(K1) áttekinteni, hogy milyen alapvető rendszerelemek szükségesek beszédinformációs rendszerek vagy beszédtechnológiát is alkalmazó informatikai rendszerek kialakításához,

(K2) specifikációkat kidolgozni beszédinformációs rendszerek vagy beszédtechnológiát is alkalmazó informatikai rendszerek kialakításához,

(K3)  teszt eljárásokat tervezni és megvalósítani  beszédinformációs rendszerek vagy beszédtechnológiát is alkalmazó informatikai rendszerek kialakításához,

(K3) rendszerintegrációs feladatokat megoldani beszédinformációs rendszerek vagy beszédtechnológiát is alkalmazó informatikai rendszerek kialakításához.
8. A tantárgy részletes tematikája

Bevezetés

Miért fontos a beszédtechnológia? Milyen főbb elemekből épül fel egy beszédinformációs rendszer (pl. intelligens személyi asszisztens)?

A nyelv, a beszéd és a szöveg az emberi kommunikációban. 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.

 

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). A kódolás hatása más beszédtechnológiai eszközökre. A kódolt beszéd minősítése (érthetőség, természetesség).

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

Beszédválaszú rendszerek tervezési szempontjai
A kötött szókészletű akusztikai adatbázis tervezési szempontjai és megvalósításnak lépései. Vegyes rendszerek kialakításának indokai, megoldási lehetőségei. Nagy hanghűségű prozódia módosítási algoritmusok.Kötetlen szókészletű (text-to-speech és concept-to-speech) rendszerek felépítése, alapvető osztályai. Egységes szövegábrázolási, szövegelemzési és átalakítási feladatok és kapcsolódó adatbázisok. 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. Többhangú rendszerek és automatikus hangkonverzió. Többnyelvű rendszerek. Nyelvdetekció, ékezetesítés. Egységes hangjelölési rendszerek. 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
Adatbázisok leírása, tervezése, feldolgozási módszereik. Az akusztikus környezet szerepe. Felismerő létrehozásának fázisai megismerése. Szótárkészlet automatikus bővítése, adaptivitás. A prozódia szerepe. Többnyelvű rendszerek kialakítása. Fejlesztői környezetek és eszközök.

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.
Tipikus alkalmazási környezetek, meghatározó alkalmazói rendszerek (pl ügyfélszolgálat automatizálás, egészségügy, rehabilitáció). A vállalati akusztikai arculat fogalma és színvonalas biztosításának módszerei.

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

28 óra előadás a félév első 10 hetében elosztva és  14 óra gyakorlat az 5-11. héten.

A gyakorlatok tematikája:
 1. gyakorlat:  Alapvető beszédakusztika
 2. gyakorlat:  Beszédhangok és spektrális jellemzésük
 3. gyakorlat:  Elemi jelfeldolgozás
 4. gyakorlat:  Szegmentális és szupraszegmentális elemek a beszédtechnológiában
 5. gyakorlat:  Mintavételezés, kvantálás, beszédkódolás
 6. gyakorlat:  Gépi felolvasó rendszerek tervezése
 7. gyakorlat:  Beszédfelismerés

10. Követelmények

A szorgalmi időszakban:
Egy nagyzárthelyi legalább elégséges szintű megírása az előadások és a gyakorlatok után. Valamint a gyakorlatokon tartott kiszárthelyik közül a legjobb öt összesített átlaga legalább 50% legyen.

A tárgy osztályzata megegyezik a nagyzárthelyi eredményével.


11. Pótlási lehetőségek

A nagyzárthelyi egy alkalommal a szorgalmi időszakban pótolható.

A kiszárthelyik a nagyzárthelyi pótlásával egy időpontban pótolhatók.

12. Konzultációs lehetőségek A hallgatók kérdéseikkel kereshetik az oktatókat e-levélben és az előadásokon. Ezen felül a nagyzárthelyi dolgozat és a pótlási alkalom előtt megegyezés szerint konzultációt tartunk.
13. Jegyzet, tankönyv, felhasználható irodalom

Kötelező irodalom:

  • Németh G., Olaszy G.: A magyar beszéd, Akadémiai Kiadó, 2010,
    Letölthető: http://smartlab.tmit.bme.hu/kf-letoltheto-konyvek#magyarbeszed

Ajánlott irodalom:

  • X. Huang, A. Acero, H. Hon: Spoken Language Processing, Prentice Hall, 2001
  • D. Gardner-Bonneau: Human Factors and Voice Interactive Systems, Kluwer, 1999
  • Gordos G., Takács Gy.: Digitális beszédfeldolgozás, Műszaki Könyvkiadó, 1983
  • Olaszy G.: Elektronikus beszédelőállítás, Műszaki Könyvkiadó, 1989
14. A tantárgy elvégzéséhez átlagosan szükséges tanulmányi munka
Kontakt óra42
Felkészülés előadásokra10
Felkészülés gyakorlatokra14
Felkészülés nagyzárthelyire12
Felkészülés kiszárhelyikre
12
  
Összesen90
15. A tantárgy tematikáját kidolgozta

Név:

Beosztás:

Tanszék, Int.:

Dr. Németh Géza

egyetemi docens

TMIT

Dr. Olaszy Gábor

prof. emeritus

TMIT

Dr. Mihajlik Péter
egyetemi adjunktusTMIT

Dr. Tóth Bálint Pál

egyetemi adjunktusTMIT
Dr. Vicsi Klára
 tud. tanácsadó
 TMIT
Dr. Zainkó Csaba egyetemi adjunktusTMIT
 Dr. Csapó Tamás Gábor
 tud. segédmunkatárs TMIT