Study on the Use of Deep Neural Networks for Speech Activity Detection in Broadcast Recordings

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F46747885%3A24220%2F16%3A00000471" target="_blank" >RIV/46747885:24220/16:00000471 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.5220/0005952700450051" target="_blank" >http://dx.doi.org/10.5220/0005952700450051</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.5220/0005952700450051" target="_blank" >10.5220/0005952700450051</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Study on the Use of Deep Neural Networks for Speech Activity Detection in Broadcast Recordings

Popis výsledku v původním jazyce

This paper deals with the task of Speech Activity Detection (SAD). Our goal is to develop a SAD module suitable for a system for broadcast data transcription. Various Deep Neural Networks (DNNs) are evaluated for this purpose. Training of DNNs is performed using speech and non-speech data as well as artificial data created by mixing of both these data types at a desired level of Signal-to-Noise Ratio (SNR). The output from each DNN is smoothed using a decoder based on Weighted Finite State Transducers (WFSTs). The presented experimental results show that the use of the resulting SAD module leads to a) a slight improvement in transcription accuracy and b) a significant reduction in the computation time needed for transcription.

Název v anglickém jazyce

Study on the Use of Deep Neural Networks for Speech Activity Detection in Broadcast Recordings

Popis výsledku anglicky

This paper deals with the task of Speech Activity Detection (SAD). Our goal is to develop a SAD module suitable for a system for broadcast data transcription. Various Deep Neural Networks (DNNs) are evaluated for this purpose. Training of DNNs is performed using speech and non-speech data as well as artificial data created by mixing of both these data types at a desired level of Signal-to-Noise Ratio (SNR). The output from each DNN is smoothed using a decoder based on Weighted Finite State Transducers (WFSTs). The presented experimental results show that the use of the resulting SAD module leads to a) a slight improvement in transcription accuracy and b) a significant reduction in the computation time needed for transcription.

Druh

D - Stať ve sborníku

CEP obor

JC - Počítačový hardware a software

OECD FORD obor

—

Projekt

<a href="/cs/project/TA04010199" target="_blank" >TA04010199: MULTILINMEDIA - Multilinguální platforma pro monitoring a analýzu multimédií</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2016

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Proc. of 13th International Conference on Signal Processing and Multimedia Applications (SIGMAP 2016)

ISBN

978-989-758-196-0

ISSN

—

e-ISSN

—

Počet stran výsledku

7

Strana od-do

45-51

Název nakladatele

SciTePress

Místo vydání

Lisabon, Portugalsko

Místo konání akce

Lisabon, Portugalsko

Datum konání akce

1. 1. 2016

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000391091400004