EA2014 speech recognition - Revision history

RICM4-prj14-grp10 at 10:15, 19 October 2014

2014-10-19T10:15:54Z

← Older revision		Revision as of 10:15, 19 October 2014
Line 33:		Line 33:
	* Le modèle de Markov caché [https://en.wikipedia.org/wiki/Artificial_neural_network]		* Le modèle de Markov caché [https://en.wikipedia.org/wiki/Artificial_neural_network]

	La déformation temporelle dynamique est historiquement le premier algorithme à avoir été ~~créer~~. Il est encore utilisé, mais pour des tâches plus spécifiques.		La déformation temporelle dynamique est historiquement le premier algorithme à avoir été créé. Il est encore utilisé, mais pour des tâches plus spécifiques.
	Le dernier est le plus utilisé à l’heure actuelle par les systèmes modernes. Cependant, certains peuvent combiner les réseaux de neurones artificiels et le modèle de Markov caché.		Le dernier est le plus utilisé à l’heure actuelle par les systèmes modernes. Cependant, certains peuvent combiner les réseaux de neurones artificiels et le modèle de Markov caché.

	==Concurrents==		==Concurrents==
	Grâce à la démocratisation de l’électronique grand ~~publique~~ (smartphone, ordinateur, tablette, etc.) et au rapide gain de puissance de ceux-ci, la reconnaissance automatique de la parole est de plus en plus présente.		Grâce à la démocratisation de l’électronique grand public (smartphone, ordinateur, tablette, etc.) et au rapide gain de puissance de ceux-ci, la reconnaissance automatique de la parole est de plus en plus présente.

	On retrouve un grand nombre d’assistants ~~personnel~~ sur système mobile. Les plus connus sont les suivants (liste non exhaustive) :		On retrouve un grand nombre d’assistants personnels sur système mobile. Les plus connus sont les suivants (liste non exhaustive) :
	* Apple Siri		* Apple Siri
	* Google Now		* Google Now
Line 59:		Line 59:

	==CMU-Sphinx==		==CMU-Sphinx==
	CMU-sphinx est un ensemble d’outils open source permettant de développer des systèmes de reconnaissance vocale. Le premier outil ~~de reconnaissance~~ fut développé en 2000 par l’université Carnegie Mellon aux États-Unis.		CMU-sphinx est un ensemble d’outils open source permettant de développer des systèmes de reconnaissance vocale. Le premier outil fut développé en 2000 par l’université Carnegie Mellon aux États-Unis.
	Parmi les outils on trouve :		Parmi les outils on trouve :
	* Sphinx2		* Sphinx2
Line 71:		Line 71:
	<i>Sphinxtrain</i> est un outil qui permet de créer son propre modèle acoustique et son propre modèle de langage. <br>		<i>Sphinxtrain</i> est un outil qui permet de créer son propre modèle acoustique et son propre modèle de langage. <br>
	<i>Cmudict</i> permet la mise au point de dictionnaire de prononciation.<br>		<i>Cmudict</i> permet la mise au point de dictionnaire de prononciation.<br>
	<i>PocketSphinx</i> ayant été écrit a des fins de légèreté et de portabilité. Il est en effet compatible avec la majorité des OS de ~~bureau~~ et des OS mobiles (iOS, Android, Windows Phone). En plus d’avoir des possibilités de décodage multi-~~plate-forme~~, il est possible de développer avec plusieurs langages, laissant le choix à l’utilisateur :		<i>PocketSphinx</i> ayant été écrit a des fins de légèreté et de portabilité. Il est en effet compatible avec la majorité des OS de bureaux et des OS mobiles (iOS, Android, Windows Phone). En plus d’avoir des possibilités de décodage multi-plateforme, il est possible de développer avec plusieurs langages, laissant le choix à l’utilisateur :
	* iOS		* iOS
	* Android		* Android
Line 81:		Line 81:

	Un modèle acoustique est un ensemble de représentations statistiques des sons qui		Un modèle acoustique est un ensemble de représentations statistiques des sons qui
	composent un mot. Il est créé à partir d’un groupe de fichiers audio et de leurs transcriptions textuelles. C’est ce modèle qui permet, avec le modèle de langage, de réaliser de la reconnaissance automatique de la parole. Pour mettre au point ce modèle, il faut utiliser l’outil <i>SphinxTrain</i>. Il permet d’effectuer un entraînement à partir d’un		composent un mot. Il est créé à partir d’un groupe de fichiers audio et de leurs transcriptions textuelles. C’est ce modèle qui permet, avec le modèle de langage, de réaliser la reconnaissance automatique de la parole. Pour mettre au point ce modèle, il faut utiliser l’outil <i>SphinxTrain</i>. Il permet d’effectuer un entraînement à partir d’un
	corpus audio. C’est un ensemble de fichiers audio de moins de 30 secondes. Il y a également la représentation textuelle de chacun des fichiers ~~audio~~. L’entrainement nécessite également d’autres fichiers qui doivent être créés à partir du corpus oral		corpus audio. C’est un ensemble de fichiers audio de moins de 30 secondes. Il y a également la représentation textuelle de chacun des fichiers audios. L’entrainement nécessite également d’autres fichiers qui doivent être créés à partir du corpus oral
	(audio et transcription textuelle) :		(audio et transcription textuelle) :
	* <i>frenchtraining</i>.dic : dictionnaire phonétique		* <i>frenchtraining</i>.dic : dictionnaire phonétique
Line 97:		Line 97:
	[[File:entrainement.png\|center\|thumb\|500px\|Schéma (simplifié) de l'entrainement]]		[[File:entrainement.png\|center\|thumb\|500px\|Schéma (simplifié) de l'entrainement]]

	La reconnaissance ~~quand~~ à elle utilise les fichiers ~~suivant~~ :		La reconnaissance quant à elle utilise les fichiers suivants :
	[[File:decodage.png\|center\|thumb\|500px\|Schéma de la reconnaissance]]		[[File:decodage.png\|center\|thumb\|500px\|Schéma de la reconnaissance]]

Line 132:		Line 132:
	<pre> sudo apt-get install python-pocketsphinx sox vlc</pre>		<pre> sudo apt-get install python-pocketsphinx sox vlc</pre>

	S’il s’agit d’un fichier vidéo, les instructions ~~suivante~~ extraient la piste audio d'un fichier vidéo au format MP4 et la convertie au format Microsoft Wave mono canal échantillonné à 16kHz.		S’il s’agit d’un fichier vidéo, les instructions suivantes extraient la piste audio d'un fichier vidéo au format MP4 et la convertie au format Microsoft Wave mono canal échantillonné à 16kHz.
	<pre>vlc -I dummy -- sout "#transcode {acodec=s16l, channels=2}:std access=file, mux=wav, dst=test.wav}" test.mp4 vlc://quit		<pre>vlc -I dummy -- sout "#transcode {acodec=s16l, channels=2}:std access=file, mux=wav, dst=test.wav}" test.mp4 vlc://quit
	sox test.wav test_mono.wav channels 1		sox test.wav test_mono.wav channels 1
Line 140:		Line 140:
	Dans le cas d'un fichier audio, vous n'avez besoin que des deux dernières commandes.		Dans le cas d'un fichier audio, vous n'avez besoin que des deux dernières commandes.

	Vous pouvez ensuite ~~enregistrez~~ le script python suivant sous le nom <i>pocketsphinx.py</i> :		Vous pouvez ensuite enregistrer le script python suivant sous le nom <i>pocketsphinx.py</i> :

	<pre>#! /usr/bin/python2.7		<pre>#! /usr/bin/python2.7

RICM4-prj14-grp10: /* Présentation */

2014-10-18T10:19:05Z

Présentation

← Older revision		Revision as of 10:19, 18 October 2014
Line 5:		Line 5:
	* Date : 17 octobre 2014		* Date : 17 octobre 2014
	* Auteur : Paul Labat <paul.labat@e.ujf-grenoble.fr>		* Auteur : Paul Labat <paul.labat@e.ujf-grenoble.fr>
	* Télécharger les slides de la présentation : [~~[Media~~:~~EA2104_speech_recognition~~.~~pdf]~~]		* Télécharger les slides de la présentation : [http://slides.com/paullabat/reconnaissance-vocale#/ slides.com/paullabat/reconnaissance-vocale]

	=Résumé=		=Résumé=

RICM4-prj14-grp10: /* CMU-Sphinx */

2014-10-17T09:19:34Z

CMU-Sphinx

RICM4-prj14-grp10: /* CMU-Sphinx */

2014-10-17T09:14:34Z

CMU-Sphinx

← Older revision		Revision as of 09:14, 17 October 2014
Line 68:		Line 68:
	* Cmudict		* Cmudict

	Sphinx2-3-4 et PocketSphinx sont des systèmes de reconnaissance vocale. ~~Sphinxtrain est un outil qui permet de créer son propre modèle acoustique et son propre modèle de langage.~~		<i>Sphinx2-3-4</i> et <i>PocketSphinx</i> sont des systèmes de reconnaissance vocale. <br>
			<i>Sphinxtrain</i> est un outil qui permet de créer son propre modèle acoustique et son propre modèle de langage. <br>
	Cmudict permet la mise au point de dictionnaire de prononciation.		<i>Cmudict</i> permet la mise au point de dictionnaire de prononciation.<br>
	PocketSphinx ayant été écrit a des fins de légèreté et de portabilité. Il est en effet compatible avec la majorité des OS de bureau et des OS mobiles (iOS, Android, Windows Phone). En plus d’avoir des possibilités de décodage multi-plate-forme, il est possible de développer avec plusieurs langages, laissant le choix à l’utilisateur :		<i>PocketSphinx</i> ayant été écrit a des fins de légèreté et de portabilité. Il est en effet compatible avec la majorité des OS de bureau et des OS mobiles (iOS, Android, Windows Phone). En plus d’avoir des possibilités de décodage multi-plate-forme, il est possible de développer avec plusieurs langages, laissant le choix à l’utilisateur :
	* iOS		* iOS
	* Android		* Android

RICM4-prj14-grp10: /* CMU-Sphinx */

2014-10-17T09:05:53Z

CMU-Sphinx

← Older revision		Revision as of 09:05, 17 October 2014
Line 68:		Line 68:
	* Cmudict		* Cmudict

	Sphinxtrain est un outil qui permet de créer son propre modèle acoustique et son propre modèle de langage. ~~Le dernier permet la mise au point de dictionnaire de prononciation.~~		Sphinx2-3-4 et PocketSphinx sont des systèmes de reconnaissance vocale. Sphinxtrain est un outil qui permet de créer son propre modèle acoustique et son propre modèle de langage.
			Cmudict permet la mise au point de dictionnaire de prononciation.
	~~Les quatre premiers sont des systèmes de reconnaissance vocale.~~ PocketSphinx ayant été écrit a des fins de légèreté et de portabilité. Il est en effet compatible avec la majorité des OS de bureau et des OS mobiles (iOS, Android, Windows Phone). En plus d’avoir des possibilités de décodage multi-plate-forme, il est possible de développer avec plusieurs langages, laissant le choix à l’utilisateur :		PocketSphinx ayant été écrit a des fins de légèreté et de portabilité. Il est en effet compatible avec la majorité des OS de bureau et des OS mobiles (iOS, Android, Windows Phone). En plus d’avoir des possibilités de décodage multi-plate-forme, il est possible de développer avec plusieurs langages, laissant le choix à l’utilisateur :
	* iOS		* iOS
	* Android		* Android

RICM4-prj14-grp10: /* CMU-Sphinx */

2014-10-17T09:04:06Z

CMU-Sphinx

← Older revision		Revision as of 09:04, 17 October 2014
Line 68:		Line 68:
	* Cmudict		* Cmudict

	Sphinxtrain est un outil qui permet de créer son propre modèle acoustique et ~~sont~~ propre modèle de langage. Le dernier permet la mise au point de dictionnaire de prononciation.		Sphinxtrain est un outil qui permet de créer son propre modèle acoustique et son propre modèle de langage. Le dernier permet la mise au point de dictionnaire de prononciation.
	Les quatre premiers sont des systèmes de reconnaissance vocale. PocketSphinx ayant été écrit a des fins de légèreté et de portabilité. Il est en effet compatible avec la majorité des OS de bureau et des OS mobiles (iOS, Android, Windows Phone). En plus d’avoir des possibilités de décodage multi-plate-forme, il est possible de développer avec plusieurs langages, laissant le choix à l’utilisateur :		Les quatre premiers sont des systèmes de reconnaissance vocale. PocketSphinx ayant été écrit a des fins de légèreté et de portabilité. Il est en effet compatible avec la majorité des OS de bureau et des OS mobiles (iOS, Android, Windows Phone). En plus d’avoir des possibilités de décodage multi-plate-forme, il est possible de développer avec plusieurs langages, laissant le choix à l’utilisateur :
	* iOS		* iOS

RICM4-prj14-grp10: /* Algorithmes */

2014-10-17T09:03:31Z

Algorithmes

← Older revision		Revision as of 09:03, 17 October 2014
Line 34:		Line 34:

	La déformation temporelle dynamique est historiquement le premier algorithme à avoir été créer. Il est encore utilisé, mais pour des tâches plus spécifiques.		La déformation temporelle dynamique est historiquement le premier algorithme à avoir été créer. Il est encore utilisé, mais pour des tâches plus spécifiques.
	Le dernier est le plus utilisé à l’heure actuelle par les systèmes modernes. Cependant, certains peuvent ~~utiliser~~ les réseaux de neurones artificiels et le modèle de Markov caché.		Le dernier est le plus utilisé à l’heure actuelle par les systèmes modernes. Cependant, certains peuvent combiner les réseaux de neurones artificiels et le modèle de Markov caché.

	==Concurrents==		==Concurrents==

RICM4-prj14-grp10: /* Histoire */

2014-10-17T08:54:40Z

Histoire

← Older revision		Revision as of 08:54, 17 October 2014
Line 23:		Line 23:

	==Histoire==		==Histoire==
	Les premiers travaux datent du début du 20e siècle. Mais le premier système pouvant reconnaitre de la parole date de 1952. C’est un système électronique, conçu au sein des laboratoires Bell par trois ingénieurs : Davis, Biddulph et Balashek. Ce système se limitait à reconnaitre quelques chiffres. Vous pouvez consulter le fichier PDF qui contient le résultat de leurs recherches.		Les premiers travaux datent du début du 20e siècle. Mais le premier système pouvant reconnaitre de la parole date de 1952. C’est un système électronique, conçu au sein des laboratoires Bell par trois ingénieurs : Davis, Biddulph et Balashek. Ce système se limitait à reconnaitre quelques chiffres. Vous pouvez consulter le fichier [http://www.idemployee.id.tue.nl/g.w.m.rauterberg//presentations/bell-labs.pdf PDF] qui contient le résultat de leurs recherches.
	En 1972, le premier système de reconnaissance vocale est commercialisé par la société Threshold Technologies. Ce dernier n’est capable de reconnaitre que 32 mots, malgré l’utilisation de méthodes de calculs numériques.		En 1972, le premier système de reconnaissance vocale est commercialisé par la société Threshold Technologies. Ce dernier n’est capable de reconnaitre que 32 mots, malgré l’utilisation de méthodes de calculs numériques.
	Il faut attendre l’année 1987 avant la commercialisation d’outils pouvant reconnaitre plus de 20 000 mots (le vocabulaire d’un humain contient entre 10 000 et 150 000 mots).		Il faut attendre l’année 1987 avant la commercialisation d’outils pouvant reconnaitre plus de 20 000 mots (le vocabulaire d’un humain contient entre 10 000 et 150 000 mots).

RICM4-prj14-grp10: /* Histoire */

2014-10-17T08:52:36Z

Histoire

← Older revision		Revision as of 08:52, 17 October 2014
Line 23:		Line 23:

	==Histoire==		==Histoire==
	Les premiers travaux datent du début du 20e siècle. Mais le premier système pouvant reconnaitre de la parole date de 1952. C’est un système électronique, conçu au ~~sien~~ des laboratoires Bell par trois ingénieurs : Davis, Biddulph et Balashek. Ce système se limitait à reconnaitre quelques chiffres. Vous pouvez consulter le fichier PDF qui contient le résultat de leurs recherches.		Les premiers travaux datent du début du 20e siècle. Mais le premier système pouvant reconnaitre de la parole date de 1952. C’est un système électronique, conçu au sein des laboratoires Bell par trois ingénieurs : Davis, Biddulph et Balashek. Ce système se limitait à reconnaitre quelques chiffres. Vous pouvez consulter le fichier PDF qui contient le résultat de leurs recherches.
	En 1972, le premier système de reconnaissance vocale est commercialisé par la société Threshold Technologies. Ce dernier n’est capable de reconnaitre que 32 mots, malgré l’utilisation de méthodes de calculs numériques.		En 1972, le premier système de reconnaissance vocale est commercialisé par la société Threshold Technologies. Ce dernier n’est capable de reconnaitre que 32 mots, malgré l’utilisation de méthodes de calculs numériques.
	Il faut attendre l’année 1987 avant la commercialisation d’outils pouvant reconnaitre plus de 20 000 mots (le vocabulaire d’un humain contient entre 10 000 et 150 000 mots).		Il faut attendre l’année 1987 avant la commercialisation d’outils pouvant reconnaitre plus de 20 000 mots (le vocabulaire d’un humain contient entre 10 000 et 150 000 mots).

RICM4-prj14-grp10: /* Reconnaissance sur Android */

2014-10-16T18:09:08Z

Reconnaissance sur Android

← Older revision		Revision as of 18:09, 16 October 2014
Line 166:		Line 166:

	==Reconnaissance sur Android==		==Reconnaissance sur Android==
	Si vous souhaitez essayer la reconnaissance vocale sur un smartphone Android, vous pouvez télécharger le projet suivant [[Media:RecoVocalGoogle.tar~~.gz~~]] ainsi qu’[https://developer.android.com/sdk/installing/studio.html android studio]. Importez le projet dans ce dernier puis cliquez sur <i>run</i> et choisissez votre téléphone.		Si vous souhaitez essayer la reconnaissance vocale sur un smartphone Android, vous pouvez télécharger le projet suivant [[Media:RecoVocalGoogle.tar]] ainsi qu’[https://developer.android.com/sdk/installing/studio.html android studio]. Importez le projet dans ce dernier puis cliquez sur <i>run</i> et choisissez votre téléphone.

← Older revision		Revision as of 09:19, 17 October 2014
Line 81:		Line 81:

	Un modèle acoustique est un ensemble de représentations statistiques des sons qui		Un modèle acoustique est un ensemble de représentations statistiques des sons qui
	composent un mot. Il est créé à partir d’un groupe de fichiers audio et de leurs transcriptions textuelles. C’est ce modèle qui permet, avec le modèle de langage, de réaliser de la reconnaissance automatique de la parole. Pour mettre au point ce modèle, il faut utiliser l’outil SphinxTrain. Il permet d’effectuer un entraînement à partir d’un		composent un mot. Il est créé à partir d’un groupe de fichiers audio et de leurs transcriptions textuelles. C’est ce modèle qui permet, avec le modèle de langage, de réaliser de la reconnaissance automatique de la parole. Pour mettre au point ce modèle, il faut utiliser l’outil <i>SphinxTrain</i>. Il permet d’effectuer un entraînement à partir d’un
	corpus audio. C’est un ensemble de fichiers audio de moins de 30 secondes. Il y a également la représentation textuelle de chacun des fichiers audio. L’entrainement nécessite également d’autres fichiers qui doivent être créés à partir du corpus oral		corpus audio. C’est un ensemble de fichiers audio de moins de 30 secondes. Il y a également la représentation textuelle de chacun des fichiers audio. L’entrainement nécessite également d’autres fichiers qui doivent être créés à partir du corpus oral
	(audio et transcription textuelle) :		(audio et transcription textuelle) :
	* frenchtraining.dic : dictionnaire phonétique		* <i>frenchtraining</i>.dic : dictionnaire phonétique
	* frenchtraining.phone : liste des phonèmes		* <i>frenchtraining</i>.phone : liste des phonèmes
	* frenchtraining.lm.DMP : modèle de langage, utilisation de celui fourni par CMUSphinx		* <i>frenchtraining</i>.lm.DMP : modèle de langage, utilisation de celui fourni par CMUSphinx
	* frenchtraining.filler : liste de caractères à remplacer par le caractère « SIL »		* <i>frenchtraining</i>.filler : liste de caractères à remplacer par le caractère « SIL »
	* ~~frenchtraining_train~~.fileids : liste des fichiers d’entraînement		* <i>frenchtraining</i>_train.fileids : liste des fichiers d’entraînement
	* ~~frenchtraining_train~~.transcription : transcription textuelle des fichiers d’entraînement		* <i>frenchtraining</i>_train.transcription : transcription textuelle des fichiers d’entraînement
	* ~~frenchtraining_test~~.fileids : liste des fichiers de test		* <i>frenchtraining</i>_test.fileids : liste des fichiers de test
	* ~~frenchtraining_test~~.transcription : transcription textuelle des fichiers de test		* <i>frenchtraining</i>_test.transcription : transcription textuelle des fichiers de test

	Cette étape de développement est résumée par le schéma suivant :		Cette étape de développement est résumée par le schéma suivant :