Spracherkennung. Gliederung:
|
|
- Gerhard Fried
- vor 7 Jahren
- Abrufe
Transkript
1
2 Spracherkennung Gliederung: - Einführung - Geschichte - Spracherkennung - Einteilungen - Aufbau und Funktion - Hidden Markov Modelle (HMM) - HMM bei der Spracherkennung - Probleme - Einsatzgebiete und Beispiele - Praktische Vorführung Folie 2
3 Einführung Was ist Spracherkennung? - Teilgebiet der Informatik, Computerlinguistik, Mathematik und anderer Wissenschaften - Untersuchung und Entwicklung von Verfahren um Automaten und Computern gesprochene Sprache zugänglich zu machen - Vorteile der Sprache: - natürliche Kommunikationsform - effizientes Eingabemedium (Tastatur Wörter pro Minute, Sprache Wörter pro Minute) - zusätzlicher Informationskanal - kein Kontakt zwischen Maschine und Mensch nötig - Nutzung des Telefonnetzes zur Eingabe Folie 3
4 Geschichte Erkennung von isolierte Ziffern er Erkennung einzelner Wörter unter Laborbedingungen DARPA SUR Forschungsprojekt Speech Understanding Research des amerikanischen VerteidigungsMinisteriums HARPY-System - kontinuierliche Sprache - unterschiedliche Sprecher (3männl. + 2 weibl.) - ruhige Umgebung - nahezu Echtzeitverarbeitung GUS (Genial Understanding System) Beratung und Reservierung von Flugreisen Folie 4
5 Geschichte Diktiermaschine Dragon Dictate verschiedene Wortformen - kurze Sprechpausen zwischen Worten erste Spracherkennungssoftware für Massenmarkt, welche auf Heimcomputern lief - IBM Personal Dictation System Verbmobil maschinelle Übersetzung von Spontansprache zwischen Deutsch, Japanisch und Englisch mit Förderung durch das Bundesministerium für Bildung, Wissenschaft, Forschung und Technologie Folie 5
6 Spracherkennung - Einteilungen Wortfluss: - Einzelworterkennung - Wortgruppenerkennung - kontinuierliche Sprache Sprecherabhängigkeit: - sprecherabhänigige Systeme (Anpassung an Sprecher mittels Training) - sprecheradaptive Systeme (Anpassung erfolgt während der Benutzung) - sprecherunabhängige Systeme (keine Anpassung nötig) Wortschatz: - kleiner Wortschatz - großer Wortschatz Folie 6
7 Spracherkennung - Einteilungen Wortschatzumfang verschiedener Anwendungen Folie 7
8 Spracherkennung - Einteilungen Anwendung Wortschluss Sprecherabhängigkeit Wortschatz Kommandowort Einzelwort-erkenner erkennung sprecherunabhängig sehr geringer Wortschatz Dialogsysteme Wortgruppenerkennung sprecherunabhängig geringer Wortschatz Diktiersysteme kontinuierliche Sprache sprecherabhängig, sprecheradaptiv großer Wortschatz Folie 8
9 Aufbau eines Spracherkennungssystems Folie 9
10 Digitalisierung: - Umwandlung des analogen Sprachsignals in ein digitales Signal Filterung: - Rauschen und andere Störgeräusche entfernen Transformation: - Umwandlung des Signals mittels Fourier-Transformation in Frequenzspektrum Folie 10
11 Beispiel: Phonem - Gruppe aller Laute einer gesprochenen Sprache, welche keinen Bedeutungsunterschied aufweisen. Folie 11
12 Beispiel: Folie 12
13 Beispiel: Folie 13
14 Merkmalsvektor: - Merkmale des Signals, wie Frequenzspektrum und Cepstrum, bestimmen - alle 10ms ca Merkmale aus 20-40ms Segment - Segmente überlagern sich Cepstrum - Spezielle Transformation des Frequenzspektrums Erlaubt Rückschlüsse, ob bei der Erzeugung des Signals Stimmbänder oder Vokaltrakt beteiligt waren Folie 14
15 Beispiel: Folie 15
16 Vergleichsmuster: - jedes mögliche Wort/Kommando besitzt eigenes Modell - Anpassung des Eingangssignal bis es dem Modellen entspricht und Vergleich möglich ist - Wortschatz sehr begrenzt und Worte sollten keine große Ähnlichkeit haben Folie 16
17 Beispiel: Folie 17
18 Akustisches Modell: - Bestimmung aller möglichen Kombination von passenden Phonemen zum Eingangssignals mittels Hidden Markov Modellen Folie 18
19 Spracherkennung Hidden Markov Modell (HMM) - Verborgene Markov-Kette mit n Zuständen und Übergängen zwischen Zuständen - Zustände geben beobachtbare Ausgaben mit bekannter Wahrscheinlichkeit für Ausgabe - durch Ausgabe Rückschlüsse auf aktiven Zustand möglich Folie 19
20 Spracherkennung HMM bei der Spracherkennung - Eingangssignal wird in Segmente zerlegt und Merkmale bestimmt - Segmente werden nun als Beobachtung für das HMM aufgefasst - Prototypen der Phoneme werden zerlegt und Merkmale bestimmt - Vergleich mit Segmenten des Eingangssignals, um passende Kombinationen zu finden - Ergebnis ist Reihe von HMM's, welche diese Beobachtung liefern und damit mögliche Kombination von Phonemen Folie 20
21 Beispiel: Folie 21
22 Beispiel: Folie 22
23 Wörterbuch: - Vergleich der passenden Kombinationen mit den Wörtern des Wortschatzes - Einschränkung der Auswahl Folie 23
24 Beispiel: Folie 24
25 Beispiel: Folie 25
26 Beispiel: Folie 26
27 Grammatik: - jedem Wort wird Funktion zugeordnet - Satzbau ist in Grammatik festgelegt - nur Anwendung in Spezialsystemen und bei begrenztem Wortschatz Folie 27
28 Beispiel: Folie 28
29 N-Gramme: - Bi-, Tri-, Quadgrammstatistiken speichern alle möglichen Wortkombinationen mit deren Wahrscheinlichkeit - Kombination mit höchster Wahrscheinlichkeit wird gewählt Folie 29
30 Beispiel: Folie 30
31 Beispiel: Folie 31
32 Spracherkennung - Probleme Kontinuität: - werden nur einzelne Wörter, Wortgruppen oder Sätze gesprochen - Erkennung von Grenzen zwischen Wörtern, Silben und Lauten identifizieren Lösung: - HMM und Zerlegung in kleine Segmente unabhängig von Lauten Komplexität: - kombinatorische Möglichkeiten bei der Wort- und Satzbildung - Anzahl der Vergleiche und Modellierungen zur Worterkennung - Speicherbedarf für Prototypen und Statistiken Lösung: - Wörterbuch und Statistiken (N-Gramme) - Leistungsfähigkeit heutiger PC Systeme Folie 32
33 Spracherkennung - Probleme Variabilität: - geeignete Prototypen für Wörter und Phoneme finden, welche unterschiedlichste Eingabevarianten abdecken und gegen andere Worte und Phoneme ausreichend abgegrenzt sind Ursachen: - Akustische Störquellen (Stimmen anderer Personen, Fertigungsumgebung) - Aufnahmeeigenschaften (Typ und Position des Mikrofons, räumliche Reflexionen) - Sprechweise (Tempo, Emotionen) - Sprechermerkmale (Dialekt, Geschlecht, Alter, Gesundheitszustand) - kontextuelle Aussprachevariationen (umgebungsabhängige Aussprache von Lauten) Folie 33
34 Spracherkennung - Probleme Variabilität: - geeignete Prototypen für Wörter und Phoneme finden, welche unterschiedlichste Eingabevarianten abdecken und gegen andere Worte und Phoneme ausreichend abgegrenzt sind Lösung: - Anpassung an Sprecher - Wahl der Merkmalsvektoren und Prototypen Folie 34
35 Spracherkennung - Probleme Ambiguität: - Verarbeitung von Mehrdeutigkeiten (Homophone Rad - Rat, Wortgrenzen Staubecken - Staub Ecken ) Lösung: - Statistiken - Korrektur durch Benutzer Ambiguität Mehrdeutigkeit von Worten und Sätzen Homophon Wörter mit gleicher oder ähnlicher Aussprache, aber anderer Bedeutung Folie 35
36 Spracherkennung Einsatzgebiete und Beispiele Dialogsysteme: - Reservierung per Telefon (Bahn, Hotel) - Auskunftsdienste (Fahrplanauskunft, Wettervorhersage) Diktiersysteme: - Diktieren von Texten (Medizin) - rechnergestütztes Lernen (Fremdsprachentraining) Kommandoworterkenner/Gerätesteuerung: - Bedienung von Mobiltelefonen während der Autofahrt - Steuerung von Geräten/Maschinen über Kommandoworte - Suche nach bestimmten Worten in Telefongesprächen Folie 36
37 Spracherkennung Einsatzgebiete und Beispiele Sprecheridentifikation: - Wer ist der Sprecher? Sprecherverifikation: - Ist es wirklich die Person? Sprachenidentifizierung: - Um welche Sprache handelt es sich? Folie 37
38 Quellen sprach_1.pdf (von Dr. Steinmüller) - Ernst Günter Schukat-Talamazzini: Automatische Spracherkennung Grundlagen, statistische Modelle und effiziente Algorithmen, Vieweg Verlag, 1995 Folie 38
Sprachverstehen. Vorlesung an der TU Chemnitz Wintersemester 2012/2013 Dr. Johannes Steinmüller
Sprachverstehen Vorlesung an der TU Chemnitz Wintersemester 2012/2013 Dr. Johannes Steinmüller Johannes Steinmüller 1/B309 Tel.: 531 35198 stj@informatik.tu-chemnitz.de Seite zur Vorlesung: http://www.tu-chemnitz.de/informatik/ki/edu/spraver/
MehrSpracherkennung TAREQ HASCHEMI HAW-SEMINAR WS16
Spracherkennung TAREQ HASCHEMI HAW-SEMINAR WS16 AGENDA Grundlegendes Sprache Anwendungsbeispiele Schwierigkeit Architektur Spracherkennungssystem Hidden Markov Modell Verbesserung durch Kombination mit
MehrSpracherkennung Hauptseminar Interaktion von Mensch und Roboter
Spracherkennung Hauptseminar Interaktion von Mensch und Roboter Vladislav Lazarov lazarov@in.tum.de Was ist Spracherkennung? Was ist (automatische) Spracherkennung? Identifikation und Analyse gesprochener
MehrSpracherkennung und Sprachsynthese
Spracherkennung und Sprachsynthese Einführung in die Computerlinguistik Sommersemester 2012 Peter Kolb Spracherkennung / -synthese Spracherkennung (automatic speech recognition, ASR) Sprachsynthese (text-to-speech,
MehrSprachsynthese und Spracherkennung
90 Sprachsynthese und Spracherkennung von John N. Holmes Mit 51 Bildern und 69 Übungen mit Lösungshinweisen R. Oldenbourg Verlag München Wien 1991 INHALT Vorwort 11 1 Lautsprachliche Kommunikation 15 1.1
MehrTeil II. Automatische Spracherkennung. SPEZIELLE MUSTERANALYSESYSTEME Schrift- und Spracherkennung mit Hidden-Markov-Modellen
SPEZIELLE MUSTERANALYSESYSTEME Schrift- und Spracherkennung mit Hidden-Markov-Modellen Vorlesung im Wintersemester 2015 Teil II Automatische Spracherkennung Prof. E.G. Schukat-Talamazzini Stand: 24. Juli
MehrÄquivokationen. In der Spracherkennung. Michael Baumann Seminar (mit Bachelorarbeit)
Äquivokationen In der Spracherkennung Michael Baumann 532 0225336 michael.baumann@student.tuwien.ac.at Seminar (mit Bachelorarbeit) Inhalt Einführung Äquivokation, Ambiguität, Prosodie Signale Beispiele:
MehrAnwendung Rechnernetze Thema: Spracheingabe. Michael Pöhnert Matrikel: INF04 Kennnummer: 12538
Anwendung Rechnernetze Thema: Spracheingabe Michael Pöhnert Matrikel: INF04 Kennnummer: 12538 Gliederung - Einleitung - Theoretische Grundlagen - Praktische Durchführung - Zusammenfassung - Quellenangaben
MehrInterdisziplinäre Fachdidaktik: Natürliche Sprachen und Formale Sprachen. Wie verstehen Computer natürliche Sprachen?
Interdisziplinäre Fachdidaktik: Natürliche Sprachen und Formale Sprachen Wie verstehen Computer natürliche Sprachen? LVA Leiter: Elizabeta Jenko Wilfried Grossmann erstellt von Egbert Althammer 9031924
MehrElektronische Kommunikationshilfen. Raphael Kubke Einführung in die Computerlinguistik Sommersemester 2010 Heinrich-Heine-Universität
Gliederung - T9 (Text On 9 Keys) - Text-Telefonie / CTM (Cellular Text Telephone Modem) - Spracherkennungssysteme - Quellen 2 T9 (Text On 9 Keys) Allgemeines - Text On 9 Keys - von Clifford A. Kushler,
MehrProf. Dr. Marcus Spies Institut f. Informatik LMU München
Planung für die Vorlesung Spracherkennung und integrierte Dialoganwendungen Sommersemester 2005 am Lehrstuhl Medieninformatik des Institut für Informatik der LMU München Prof. Dr. Marcus Spies Institut
MehrKommunikation mit gesprochener Sprache...
Kommunikation mit gesprochener Sprache...... ist mehr als Hören und Sprechen: Mensch-Maschine-Kommunikation mit gesprochener Sprache 1 Kommunikation mit gesprochener Sprache...... ist mehr als Hören und
MehrSprachdialogsystem mit robuster automatischer Spracherkennung
Sprachdialogsystem mit robuster automatischer Spracherkennung Hans-Günter Hirsch Hochschule Niederrhein Fachbereich Elektrotechnik und Informatik Digitale Nachrichtentechnik http://dnt.kr.hs-niederrhein.de
MehrDigitale Verarbeitung von natürlicher Sprache
PS Einführung in die Computerlinguistik bzw. SE aus Artificial Intelligence Digitale Verarbeitung von natürlicher Sprache MMag. Gudrun Kellner Ein Sprachsignal 2 Beobachtungen am Sprachsignal 1 Sprachsignale
MehrIvana Daskalovska. Willkommen zur Übung Einführung in die Computerlinguistik. Sarah Bosch,
Ivana Daskalovska Willkommen zur Übung Einführung in die Computerlinguistik Kontakt: ivana.bt.mk@gmail.com Betreff: EICL Wiederholung Aufgabe 1 Was ist Computerlinguistik? 4 Was ist Computerlinguistik?
MehrKapitel 2: Spracherkennung Automatisches Verstehen gesprochener Sprache
Automatisches Verstehen gesprochener Sprache. Spracherkennung Martin Hacker Bernd Ludwig Günther Görz Professur für Künstliche Intelligenz Department Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg
MehrProbe-Klausur zur Vorlesung Multilinguale Mensch-Maschine Kommunikation 2013
Probe-Klausur zur Vorlesung Multilinguale Mensch-Maschine Kommunikation 2013 Klausurnummer Name: Vorname: Matr.Nummer: Bachelor: Master: Aufgabe 1 2 3 4 5 6 7 8 max. Punkte 10 5 6 7 5 10 9 8 tats. Punkte
MehrHidden Markov Modelle
Hidden Markov Modelle (Vorabversion begleitend zur Vorlesung Spracherkennung und integrierte Dialogsysteme am Lehrstuhl Medieninformatik am Inst. f. Informatik der LMU München, Sommer 2005) Prof. Marcus
MehrHMM-Synthese (Grundzüge)
(Grundzüge) Institut für Phonetik und Sprachverarbeitung Ludwig-Maximilians-Universität München reichelu@phonetik.uni-muenchen.de 6. Dezember 2010 Inhalt HMM-Grundlagen HMM und Phonemerkennung HMM-Grundlagen
MehrEinführung in die automatische Spracherkennung
Einführung in die automatische Spracherkennung Klausur 30.07.2008 Name:... Vorname:... Matr.-Nr:... Studiengang:... Hinweise: 1. Schreiben Sie bitte auf jedes Zusatz-Blatt Ihren Namen und Ihre Matrikelnummer.
MehrHidden-Markov-Modelle
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Hidden-Markov-Modelle Tobias Scheffer Thomas Vanck Hidden-Markov-Modelle: Wozu? Spracherkennung: Akustisches Modell. Geschriebene
Mehr2 Sprachliche Einheiten
2 Sprachliche Einheiten Inhalt Semiotische Begriffe Wörter Wortbestandteile Wortzusammensetzungen Wortgruppen Text und Dialog Wort- und Satzbedeutung 2.1 Semiotische Begriffe Semiotische Begriffe Semiotik
Mehrbonn.de bonn.de
wgh@ikp.uni bonn.de http://www.ikp.uni bonn.de 023 Vorlesungsskripten deutsch bilingual deutsch/englisch Allgemein zur Sprachsignalverarbeitung Speziell zu Kapitel 1 gsv_1.1 t 250 ms/zeile gsv_1.2 t
MehrProseminar, wozu? Proseminar, wozu? Proseminar, wozu? Verarbeitung gesprochener Sprache
Proseminar, wozu? Verarbeitung gesprochener Sprache Proseminar Wolfgang Menzel menzel@informatik.uni-hamburg.de Arbeitsbereich Natürlichsprachliche Systeme Fachbereich Informatik Universität Hamburg Proseminare
MehrStörgeräuschreduktion bei stimmhaften Sprachsignalen
Störgeräuschreduktion bei stimmhaften Sprachsignalen Einkanaliges Mikrofon Nutzsignal Störgeräusche Allgemein: einkanalige Störgeräuschreduktion Folie 1 Gliederung Störgeräuschreduktion: Arten und Einsatzgebiete
MehrHidden Markov Modelle
Hidden Markov Modelle in der Sprachverarbeitung Paul Gabriel paul@pogo.franken.de Seminar Sprachdialogsysteme: Hidden Markov Modelle p.1/3 Überblick Merkmalsvektoren Stochastischer Prozess Markov-Ketten
MehrAutomatische Spracherkennung
Ernst Günter Schukat-Talamazzini Automatische Spracherkennung Grundlagen, statistische Modelle und effiziente Algorithmen Technische Universität Darmetadt FACHBEREICH INFORMATIK BIBLIOTHEK MH Invsntar-Nr.:
MehrEinführung in die automatische Spracherkennung
Einführung in die automatische Spracherkennung Hans-Günter Hirsch http://dnt.kr.hs-niederrhein.de http://dnt.kr.hs-niederrhein.de/asr14/ email: hans-guenter.hirsch@hs-niederrhein.de Folie 1 Persönlicher
MehrSpracherkennung. 2. Sitzung 16. Oktober 2008
Spracherkennung 2. Sitzung 16. Oktober 2008 Überblick 1. Sitzung Organisatorisches Übungen und Scheinkriterien Termine Sprechstunde und Webseite Inhaltlicher Überblick Allgemeines Übungen Bislang: NN Vorschlag:
MehrTelematik bei mm-lab. 5. Tag der Informationslogistik, HFT Stuttgart. mm-lab GmbH Stammheimer Straße 10 70806 Kornwestheim
Telematik bei mm-lab 5. Tag der Informationslogistik, HFT Stuttgart Dr. Andreas Streit Managing Director mm-lab GmbH Stammheimer Straße 10 70806 Kornwestheim Andreas.Streit@mmlab.de www.mmlab.de Die mm-lab
MehrEinführung in die Computerlinguistik D IALOGSYSTEME WS 2009/2010. Bojan Georgievski Prashanna Thangeswaran David Höfig
Einführung in die Computerlinguistik D IALOGSYSTEME WS 2009/2010 Bojan Georgievski Prashanna Thangeswaran David Höfig Einführung Was sind Dialogsysteme? Beispiele von Dialogsystemen Wo werden Dialogsysteme
Mehr6.5 Statistische Spracherkennung
6.5 Statistische Spracherkennung 6.5.1 Spracherkennung mit MAP Regel MAP Regel (Maximum-a-posteriori-Regel Wˆ = argmax W V * P( W X) optimale Wortfolge Wˆ = w w K w i V 1 2 w K Wortfolge Merkmalssequenz
MehrIhr Computer gehorcht auf s Wort
1 »Ihr Computer gehorcht auf s Wort!«2 Was bringen die Spracherkennung und die Sprachsteuerung des Computers Menschen mit eingeschränkten Fähigkeiten? 3 Wie funktioniert die Spracherkennung? StimmFrequenzdiagramme
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Sprachtechnologie. Tobias Scheffer Paul Prasse Michael Großhans
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Sprachtechnologie Tobias Scheffer Paul Prasse Michael Großhans Organisation Vorlesung/Übung, praktische Informatik. 4 SWS. 6 Leistungspunkte
MehrErkennung und Erzeugung gesprochener Sprache
Erkennung und Erzeugung gesprochener Sprache 8.11.2005 Sebastian Pado Einführung in die Computerlinguistik 2005/2006 M. Pinkal / S. Pado UdS 1 Einführung Viele computerlinguistische Anwendungen gehen von
MehrDigitale Signalverarbeitung
Digitale Signalverarbeitung Hans-Günter Hirsch Institut für Mustererkennung email: hans-guenter.hirsch@hs-niederrhein.de http://dnt.kr.hs-niederrhein.de Webserver: http://dnt.kr.hs-niederrhein.de/dsv15/
MehrWie ein Rechner aus Schallwellen Wörter erkennt
Wie ein Rechner aus Schallwellen Wörter erkennt Spracherkennung mit statistischen Verfahren Franz Kummert Christoph Schillo Gernot A. Fink Technische Fakultät Arbeitsgruppe Angewandte Informatik Eine natürliche
MehrGrundlagen und Definitionen
Grundlagen und Definitionen Wissensmanagement VO 340088 Bartholomäus Wloka https://www.adaptemy.com Maschinelle Sprachverarbeitung Breites Spektrum an Methoden der Computerverarbeitung von Sprache. Kann
MehrErkennung und Erzeugung gesprochener Sprache
Erkennung und Erzeugung gesprochener Sprache Sebastian Pado Einführung in die Computerlinguistik 2004/2005 1 Einführung Viele computerlinguistische Anwendungen gehen von textbasierter Ein/Ausgabe aus (I.a.)
MehrHarald Finster, Hans-Günter Hirsch Hochschule Niederrhein
BESTIMMUNG DER OPTIMALEN HMM PARAMETER ZUR ROBUSTEN, PHONEMBASIERTEN SPRACHERKENNUNG Harald Finster, Hans-Günter Hirsch Hochschule Niederrhein hans-guenter.hirsch@hs-niederrhein.de Abstract: Zur Erweiterung
MehrInhaltsverzeichnis 1 Einleitung Mensch-Maschine-Kommunikation in der Informations- und Kommunikationstechnik Grundbegriffe der Mensch-M
1 Einleitung 1 1.1 Mensch-Maschine-Kommunikation in der Informations- und Kommunikationstechnik... 1 1.2 Grundbegriffe der Mensch-Maschine-Kommunikation... 2 1.3 Disziplinen der Mensch-Maschine-Kommunikation...
MehrWas ist Informatik? Alexander Lange
Was ist Informatik? Was ist Informatik? Alexander Lange 12.11.2003 Was ist Informatik? Inhalt 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. Das Wort»Informatik«Die Idee Teilgebiete der Informatik Technische Informatik
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Tobias Scheffer, Tom Vanck, Paul Prasse
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Sprachtechnologie Tobias Scheffer, Tom Vanck, Paul Prasse Organisation Vorlesung/Übung, praktische Informatik. 4 SWS. Termin: Montags,
MehrEinführung in die Computerlinguistik
Einführung in die Computerlinguistik Einführung Laura Kallmeyer Heinrich-Heine-Universität Düsseldorf Summer 2018 1 / 14 Anwendungen der Computerlinguistik Carstensen et al. (2010); Jurafsky and Martin
MehrNatural language processing
Natural language processing Guangyu Ge Betreuer: Tobias 29.01.2018 GLIEDERUNG 1. Einführung 2. Anwendungsbereiche 3. Verfahren bei NLP 4. Zusammenfassung ZIELE VON KÜNSTLICHER INTELLIGENZ Quelle: https://cdn-images-1.medium.com/max/800/0*y707xutx3zmvjkxx.png
MehrSprachbasierte Informationssysteme
Sprachbasierte Informationssysteme Gunar Fiedler Arbeitsgruppe Technologie der Informationssysteme CAU Kiel WWW: http://www.is.informatik.uni-kiel.de/~fiedler E-Mail: fiedler@is.informatik.uni-kiel.de
MehrComputerlinguistische Grundlagen. Jürgen Hermes Wintersemester 17/18 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln
Computerlinguistische Grundlagen Jürgen Hermes Wintersemester 17/18 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Was ist Computerlinguistik? Definition Anwendungen Fragestellung
MehrSegmentierung von Gesten
Segmentierung von Gesten Anwendungen 1 Johann Heitsch 1 Motivation Maus & Tastatur 2 Motivation Single- / Multitouch 3 Motivation Interaktion mit großen Displays 4 Hochschule für Angewandte Wissenschaften
MehrVerfahren zur robusten automatischen Spracherkennung
Verfahren zur robusten automatischen Spracherkennung Hans-Günter Hirsch Hochschule Niederrhein Fachbereich Elektrotechnik und Informatik Digitale Nachrichtentechnik http://dnt.kr.hs-niederrhein.de Ansätze
MehrEinführung in die automatische Spracherkennung. SS 2007 Klaus Kasper
Einführung in die automatische Spracherkennung SS 27 Klaus Kasper Praktikum Montag, 16:h 19:15h (Y-Raster) Ort: D15/22 erste Veranstaltung: 2.4.27 Programmiersprache Ihrer Wahl (C/C ++ /C#, Java, ) Zulassungsvoraussetzung
MehrÜbung Automatische Spracherkennung
Übung Automatische Spracherkennung 1 Kapitel 1 Einführung Hidden Markov Tool Kit (HTK) Dieser Teil des Kurses gibt einen allgemeinen Überblick über HTK und Literaturhinweise. 1.1 Spracherkennung und HTK
MehrEinführung in die Computerlinguistik
Einführung in die Computerlinguistik Statistische Verfahren in der lexikalischen Semantik WS 2/22 Manfred Pinkal Beispiel: Adjektive im Wahrig-Korpus Frequenzen in einem kleinen Teilkorpus: n groß - -
MehrAusarbeitung. Studiengang Informationstechnik. Spracherkennung. Thomas Papke Paul Rusbült
Ausarbeitung Studiengang Informationstechnik Thema: Spracherkennung eingereicht von: eingereicht von: Thomas Papke Thomas.Papke@iwr.fzk.de Paul Rusbült paulrusbuelt@gmx.de zuletzt geändert: 24. Mai 2005
MehrHidden Markov Model (HMM)
Hidden Markov Model (HMM) Kapitel 1 Spezialvorlesung Modul 10-202-2206 (Fortgeschrittene Methoden in der Bioinformatik) Jana Hertel Professur für Bioinformatik Institut für Informatik Universität Leipzig
MehrRelAtive SpecTrAl (RASTA) Processing of Speech
RelAtive SpecTrAl (RASTA) Processing of Speech Paul Glad Mihai 23.11.06 Gliederung Einleitung Wieso RASTA? RASTA erläutert Probleme Modulationsspektrum von Sprache Methode RASTA erweitert Lin-Log Rasta
Mehr! Die Idee Kombination von Informatik und einem anderen Fach
Computerlinguistik Integriertes Anwendungsfach im B.Sc.Studiengang Department Informatik / Universität Hamburg! Wie funktioniert das integrierte Anwendungsfach Computerlinguistik (organisatorisch)?! Beziehungen
MehrWortdekodierung. Vorlesungsunterlagen Speech Communication 2, SS Franz Pernkopf/Erhard Rank
Wortdekodierung Vorlesungsunterlagen Speech Communication 2, SS 2004 Franz Pernkopf/Erhard Rank Institute of Signal Processing and Speech Communication University of Technology Graz Inffeldgasse 16c, 8010
MehrHidden Markov Models in Anwendungen
Hidden Markov Models in Anwendungen Prof Dr. Matthew Crocker Universität des Saarlandes 18. Juni 2015 Matthew Crocker (UdS) HMM Anwendungen 18. Juni 2015 1 / 26 Hidden Markov Modelle in der Computerlinguistik
MehrWas ist Statistik? Wozu dienen statistische Methoden?
25. APRIL 2002: BLATT 1 Übersicht Was ist Statistik? Wozu dienen statistische Methoden? Was ist maschinelle Sprachverarbeitung? Welche Rolle spielen statistische Methoden in verschiedenen Teilbereichen
MehrInformatik Allgemeines Einführung
Informatik Allgemeines Seite 1 Allgemeines Organisation Vorlesungen / Übungen / (Programmier-) Praktikum Leistungsbewertung 2 Klausuren Seite 2 Allgemeines Dozent Dr. Th. Letschert Thema Informatik Historie,
MehrSoftwareprojektpraktikum Maschinelle Übersetzung
Softwareprojektpraktikum Maschinelle Übersetzung Jan-Thorsten Peter, Andreas Guta, Jan Rosendahl max.bleu@i6.informatik.rwth-aachen.de 5. Mai 2017 Human Language Technology and Pattern Recognition Lehrstuhl
MehrProgrammierpraktikum WS 13/14
Programmierpraktikum Morsealphabet Fakultät für Mathematik und Informatik Datenbanksysteme für neue Anwendungen FernUniversität in Hagen 12.Oktober 2013 c 2013 FernUniversität in Hagen Outline 1 2 erfunden
MehrJoachim Schenk Gerhard Rigoll. ~ensch-~aschine KOmn1Unikation. Gnlndlagen von sprach- und bildbasierten Benutzerschnittstellen.
Joachim Schenk Gerhard Rigoll ~ensch-~aschine KOmn1Unikation Gnlndlagen von sprach- und bildbasierten Benutzerschnittstellen ~ Springer Inhaltsverzeichnis 1 Einleitung 1.1 Mensch-Maschine-Kommunikation
MehrComputerlinguistik und Sprachtechnologie
Computerlinguistik und Sprachtechnologie Eine Einführung 2., überarbeitete und erweiterte Auflage Herausgegeben von: Kai-Uwe Carstensen, Christian Ebert, Cornelia Endriss, Susanne Jekat, Ralf Klabunde
MehrGrundlagen der Analyse von Sprachdatenbanken. Jonathan Harrington
Grundlagen der nalyse von Sprachdatenbanken Jonathan Harrington Die Laborsprache Fast alle ntersuchungen in der Experimentalphonetik im 20 Jahrhundert befassen sich mit der Laborsprache. Warum? Competence/performance
MehrBetriebswirtschaftliche Evaluation von Spracherkennungssystemen
Betriebswirtschaftliche Evaluation von Spracherkennungssystemen Diplomarbeit zur Erlangung des Grades eines Diplom-Ökonomen der Wirtschaftswissenschaftlichen Fakultät der Universität Hannover vorgelegt
MehrAutomatische Spracherkennung
Automatische Spracherkennung 3 Vertiefung: Drei wichtige Algorithmen Teil 3 Soweit vorhanden ist der jeweils englische Fachbegriff, so wie er in der Fachliteratur verwendet wird, in Klammern angegeben.
MehrEinführung in die Computerlinguistik: Gesprochene Sprache. Dr. Marc Schröder, DFKI
Einführung in die Computerlinguistik: Gesprochene Sprache Dr. Marc Schröder, DFKI schroed@dfki.de Kurs-Homepage: http://www.coli.uni-saarland.de/~hansu/courses/ec07/index.html Überblick Eigenschaften gesprochener
MehrSprachsynthese mit Mary. Simon Schmiedel Proseminar Tools für Computerlinguisten
Sprachsynthese mit Mary Proseminar Tools für Computerlinguisten Was ist Sprachsynthese? künstliche Erzeugung der menschlichen Sprache 2 Sprachsynthese Symbolische Repräsentation Sprachsynthese Akustische
MehrDigitale Signalverarbeitung
Digitale Signalverarbeitung Hans-Günter Hirsch Institut für Mustererkennung email: hans-guenter.hirsch@hs-niederrhein.de http://dnt.kr.hs-niederrhein.de Webserver: http://dnt.kr.hs-niederrhein.de/dsv17/
MehrComputerlinguistik und Sprachtechnologie
Computerlinguistik und Sprachtechnologie Eine Einführung Herausgegeben von: Kai-Uwe Carstensen, Christian Ebert, Cornelia Endriss, Susanne Jekat, Ralf Klabunde und Hagen Langer Spektrum Akademischer Verlag
MehrProjektseminar "Texttechnologische Informationsmodellierung"
Projektseminar "Texttechnologische Informationsmodellierung" Ziel dieser Sitzung Nach dieser Sitzung sollten Sie: Einige standards und projekte vom Namen her kennen Einen Überblick über und einen Eindruck
MehrIntegration einer Spracherkennungssoftware in eine Virtual- Reality-Umgebung Christian Armbrust L3S / RRZN
Integration einer Spracherkennungssoftware in eine Virtual- Reality-Umgebung Christian Armbrust L3S / RRZN L3S/RRZN/Vis Universität Hannover Christian Armbrust 15.04.2003 1 Einleitung Ziel der Studienarbeit:
MehrMusterlösung zur Probeklausur Multilinguale Mensch Maschine Kommunikation 2013
Musterlösung zur Probeklausur Multilinguale Mensch Maschine Kommunikation 2013 Aufgabe 1: Divers (10 Punkte) Kreuzen Sie für die folgenden Aussagen an, ob sie wahr oder falsch sind. Hinweis: Für jede richtige
MehrSprachverarbeitung I
Institut für Technische Informatik und Kommunikationsnetze Eidgenössische Technische Hochschule Zürich Swiss Federal Institute of Technology Zurich Ecole polytechnique fédérale de Zurich Politecnico federale
MehrSIGNALE IN NATUR UND TECHNIK. Assist.-Prof. Dr.-Ing. Michael Lunglmayr
SIGNALE IN NATUR UND TECHNIK Assist.-Prof. Dr.-Ing. Michael Lunglmayr 1 INHALT Was ist ein Signal? Warum Digitale Signalverarbeitung? Beispiele: Signalverarbeitung erlaubt Horchen in eine Richtung Lernen
MehrProjektgruppe. Text Labeling mit Sequenzmodellen
Projektgruppe Enes Yigitbas Text Labeling mit Sequenzmodellen 4. Juni 2010 Motivation Möglichkeit der effizienten Verarbeitung von riesigen Datenmengen In vielen Bereichen erwünschte automatisierte Aufgabe:
MehrReferat zum Thema: Exemplartheorien
Thema: Speech Perception without Speaker Normalization An Exemplar Model Ein Paper von Keith Johnson (1997) Thema: Speech Perception without Speaker Normalization An Exemplar Model Ein Paper von Keith
MehrMaschinelle Sprachverarbeitung: N-Gramm-Modelle
HUMBOLD-UNIVERSIÄ ZU BERLIN Institut für Informatik Lehrstuhl Wissensmanagement Maschinelle Sprachverarbeitung: N-Gramm-Modelle obias Scheffer, Ulf Brefeld Statistische Sprachmodelle Welche Sätze sind
MehrHidden Markov Models in Anwendungen
Hidden Markov Models in Anwendungen Dr. Vera Demberg Universität des Saarlandes 31. Mai 2012 Vera Demberg (UdS) HMM Anwendungen 31. Mai 2012 1 / 26 Hidden Markov Modelle in der Computerlinguistik Table
Mehrxii Inhaltsverzeichnis Generalisierung Typisierte Merkmalsstrukturen Literaturhinweis
Inhaltsverzeichnis 1 Computerlinguistik Was ist das? 1 1.1 Aspekte der Computerlinguistik.................. 1 1.1.1 Computerlinguistik: Die Wissenschaft........... 2 1.1.2 Computerlinguistik und ihre Nachbardisziplinen.....
MehrNLP Eigenschaften von Text
NLP Eigenschaften von Text Dr. Andreas Hotho Dominik Benz Beate Krause Sommersemester 2008 Folie: 1 Übersicht Einführung Eigenschaften von Text Words I: Satzgrenzenerkennung, Tokenization, Kollokationen
MehrInhaltsverzeichnis. Bibliografische Informationen digitalisiert durch
Inhaltsverzeichnis 1 Computerlinguistik - Was ist das? 1 1.1 Aspekte der Computerlinguistik 1 1.1.1 Computer linguistik: Die Wissenschaft 2 1.1.2 Computerlinguistik und ihre Nachbardisziplinen 3 1.1.3
Mehr1/19. Kern-Methoden zur Extraktion von Informationen. Sebastian Marius Kirsch Back Close
1/19 Kern-Methoden zur Extraktion von Informationen Sebastian Marius Kirsch skirsch@moebius.inka.de 2/19 Gliederung 1. Verfahren zur Extraktion von Informationen 2. Extraktion von Beziehungen 3. Maschinelles
MehrEinführung in die Phonetik und Phonologie. Allgemeiner Überblick
Einführung in die Phonetik und Phonologie Allgemeiner Überblick Phonetik und Phonologie Die beiden Bezeichnungen Phonetik und Phonologie sind aus dem griechischen Wort ϕωνþ (phōnē) abgeleitet, welches
MehrMaschinelle Kundenbetreuung: Sprachsysteme, Avatare und Co.
Maschinelle Kundenbetreuung: Sprachsysteme, Avatare und Co. Diplomarbeit zur Erlangung des Grades eines Diplom-Ökonomen der Wirtschaftswissenschaftlichen Fakultät der Leibniz Universität Hannover vorgelegt
MehrPsycholinguistik. Definition: Psycholinguistik (synonym: Sprachpsychologie) erforscht das kognitive (mentale) System, das den Sprachgebrauch erlaubt.
Psycholinguistik Definition: Psycholinguistik (synonym: Sprachpsychologie) erforscht das kognitive (mentale) System, das den Sprachgebrauch erlaubt. Teilgebiete der Psycholinguistik Können danach klassifiziert
MehrVirtuelle Präsenz Ein-/Ausgabegeräte 1 / 37
Virtuelle Präsenz Ein- und Ausgabegeräte 1 / 37 Übersicht Eingabe Ausgabe Hybride Systeme Zusammenfassung 2 / 37 Eingabe 3 / 37 Tracking (1) Verfolgung bewegter Objekte im Raum Trackingverfahren: optisch
MehrAlgorithmische Geometrie: Einstimmung
Algorithmische Geometrie: Einstimmung Nico Düvelmeyer WS 2009/2010, 20.10.2009 Überblick 1 Organisatorisches 2 Fachgebiet Typische Untersuchungsgegenstände Typische Anwendungsgebiete 3 Inhalte der Vorlesung
MehrEuropäisches Patentamt European Patent Office Office europeen des brevets (11) EP A2
(19) (12) Europäisches Patentamt 1 1 1 1 1 1 European Patent Office Office europeen des brevets (11) EP 0 834 859 A2 EUROPÄISCHE PATENTANMELDUNG (43) Veröffentlichungstag: igstag: (51) Int. Cl.6: G10L
MehrSprachverständnis, Folie 1. Sprachverständnis
Sprachverständnis, Folie 1 Sprachverständnis Indem wir Wörter und Sätze äussern, teilen wir etwas von unserer Welt mit. Indem wir Wörter und Sätze verstehen, nehmen wir ein Stück Aussenwelt zu uns. Susanne
MehrEinführung und Anwendungen. Sebastian Stüker
Institut für Anthropomatik Einführung und Anwendungen Sebastian Stüker 18.10.2010 Interactive Systems Labs Ort und Zeit: Montags: 11:30h-13:00h, -102 Mittwochs: 15:45h-17:15h, -102 Webseite: http://isl.ira.uka.de
MehrKunden sagen Ihnen viel, hören Sie richtig zu?
Kunden sagen Ihnen viel, hören Sie richtig zu? 68% Der interaktionen immer noch Sprache Quelle: Callcentre helper research paper What Contact Centres are Doing Right Now, 2014. Sprachanalyse, was ist es?
MehrÜberblick. Gebärdenerkennung. Was ist Gebärdenerkennung? Warum ist es so schwierig? Modellierung der Sprache und Simultaneität
Gebärdenerkennung odellierung der Sprache und Simultaneität Christian Vogler, University of Pennsylvania In Zusammenarbeit mit Dimitris etaxas, Rutgers University Überblick Problemstellung odellierung
MehrRheinisch Westfälische Technische Hochschule Aachen Lehr- und Forschungsgebiet Informatik 4 Prof. Dr. Ing. Felix Freiling. Seminar: SeVVes 2006
Rheinisch Westfälische Technische Hochschule Aachen Lehr- und Forschungsgebiet Informatik 4 Prof. Dr. Ing. Felix Freiling Seminar: SeVVes 2006 alternative Authentifizierungsverfahren: Passfaces & CAPTCHAs
MehrMensch, ich versteh Dich
128 Spracherkennung Mensch, ich versteh Dich Die Spracherkennung per Computer macht sich auf zu neuen Ufern: Die Technik stellt sich auf den jeweiligen Benutzer ein. Die Systeme verstehen Inhalte und werden
MehrKapitel 1. Einleitung
Kapitel 1 Einleitung Gegenstand dieser Arbeit ist die Anwendung und Evaluierung von statistischen Verfahren für die rechnergestützte Erkennung von Mustern in Bildern und Bildsequenzen. Die verwendeten
Mehr