Online Speaker Adaptation of an Acoustic Model Using Face Recognition

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F13%3A00212560" target="_blank" >RIV/68407700:21230/13:00212560 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/49777513:23520/13:43920969

Výsledek na webu

<a href="http://dx.doi.org/10.1007/978-3-642-40585-3_48" target="_blank" >http://dx.doi.org/10.1007/978-3-642-40585-3_48</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-642-40585-3_48" target="_blank" >10.1007/978-3-642-40585-3_48</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Online Speaker Adaptation of an Acoustic Model Using Face Recognition

Popis výsledku v původním jazyce

We have proposed and evaluated a novel approach for online speaker adaptation of an acoustic model based on face recognition. Instead of traditionally used audio-based speaker identification we investigated video modality for the task of speaker detection. A simulated on-line transcription created by a Large-Vocabulary Continuous Speech Recognition (LVCSR) system for online subtitling is evaluated utilizing speaker independent acoustic models, gender dependent models and models of particular speakers. In the experiment, the speaker dependent acoustic models were trained offline, and are switched online based on the decision of the face recognizer, which reduced Word Error Rate (WER) by 12% relatively compared to speaker independent baseline system.

Název v anglickém jazyce

Online Speaker Adaptation of an Acoustic Model Using Face Recognition

Popis výsledku anglicky

We have proposed and evaluated a novel approach for online speaker adaptation of an acoustic model based on face recognition. Instead of traditionally used audio-based speaker identification we investigated video modality for the task of speaker detection. A simulated on-line transcription created by a Large-Vocabulary Continuous Speech Recognition (LVCSR) system for online subtitling is evaluated utilizing speaker independent acoustic models, gender dependent models and models of particular speakers. In the experiment, the speaker dependent acoustic models were trained offline, and are switched online based on the decision of the face recognizer, which reduced Word Error Rate (WER) by 12% relatively compared to speaker independent baseline system.

Druh

D - Stať ve sborníku

CEP obor

JD - Využití počítačů, robotika a její aplikace

OECD FORD obor

—

Projekt

<a href="/cs/project/GBP103%2F12%2FG084" target="_blank" >GBP103/12/G084: Centrum pro multi-modální interpretaci dat velkého rozsahu</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2013

Kód důvěrnosti údajů

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

Název statě ve sborníku

Text, Speech, and Dialogue: 16th International Conference, TSD 2013

ISBN

978-3-642-40584-6

ISSN

0302-9743

e-ISSN

—

Počet stran výsledku

8

Strana od-do

378-385

Název nakladatele

Springer

Místo vydání

Heidelberg

Místo konání akce

Pilsen

Datum konání akce

1. 9. 2013

Typ akce podle státní příslušnosti

EUR - Evropská akce

Kód UT WoS článku

—