AudioSet
A sound vocabulary and datasetAudioSet consists of an expanding ontology of 632 audio event classes and a collection of 2,084,320 human-labeled 10-second sound clips drawn from YouTube videos. The ontology is specified as a hierarchical graph of event categories, covering a wide range of human and animal sounds, musical instruments and genres, and common everyday environmental sounds. By releasing
Google Document の音声認識入力が思ってたよりすごかった - mizchi's blog
はいえーとあの google の音声入力のテストをやってみてるんですけどこれめっちゃすごいですねなんかここまで認識精度良いと思わなかったあの文字の改行とかそこだけちょっと自分でやんないといけないんですけどそれ以外は全然不満がないですねこれなにかコマンドとかあるのかなやそうでもないか何がやりたいかというと discord でちょっと仕事で使ってみたくてボイスチャットチャンネルに没頭*1参加させて録音させてそのデータを google のドキュメントとして音声で食わせて文字起こしさせればあの会議とかねリモートワークとかですごい便利なんじゃないかなと思って文字認識 api ってちょっと公開されてるかわかんないんだけどこういう api って google あんまりね有料 api 脱退後悔*2しきれなかったりっていうイメージあるんだよねまあ google ドキュメントを使わせるためのインセンティブやっ
Amazonの音声認識「Alexa」は世界のIoTを席巻し「スマートフォンの次」のプラットフォームの覇者となりつつある
Amazonが販売するスピーカー型の音声アシスタント端末「Amazon Echo」は、Amazonのハードウェア史上最大のヒット作になりました。しかし、本当の大ヒットはEchoではなくその中身である音声認識機能「Alexa」によってこれからもたらされるのであって、Alexaを武器に「スマートフォンの次」のプラットフォームをAmazonが手中に収めつつあるという指摘があります。 Alexa: Amazon’s Operating System – Stratechery by Ben Thompson https://stratechery.com/2017/amazons-operating-system/ Voice Is the Next Big Platform, and Alexa Will Own It https://backchannel.com/voice-is-the-n
Microsoft researchers achieve speech recognition milestone - The AI Blog
Microsoft researchers have reached a milestone in the quest for computers to understand speech as well as humans. Xuedong Huang, the company’s chief speech scientist, reports that in a recent benchmark evaluation against the industry standard Switchboard speech recognition task, Microsoft researchers achieved a word error rate (WER) of 6.3 percent, the lowest in the industry. In a research paper p
統計的声質変換 (7) GMMによる声質変換 - 人工知能に関する断創録
統計的声質変換 (6) 声質変換モデルの学習の続き。今回が統計的声質変換シリーズの最終回です。 今回は、前回学習した声質変換モデルを使って本当に声が変換できるか試してみたい。前回やったGMMの学習で における各コンポーネント の と と が学習データから推定された状態である。 と は、 のように分割できる。この学習結果は、 clb_slt.gmm clb_slt.gmm_01.npy clb_slt.gmm_02.npy clb_slt.gmm_03.npyの4つのファイルにダンプされている。 GMMによる声質変換 GMMによる声質変換は、が与えられたときのの期待値を求めることで行う。 ここで、 である。今回は導出は省いて、論文（PDF）の結果をそのまま借用しよう。 たとえば、Aさんの声をBさんの声に変換することを考える。Aさんの声から抽出したメルケプストラムパラメータ を使って上の式で変
音声認識に用いるコーパス データ量、質で分類してみた - Qiita
音声認識には音の情報を知覚するための音響モデル、言語情報を知覚するための言語モデルが必要 1.音響モデル -最低必要なもの --音響モデルには音声データと音素との対応付がされた辞書が必要 -あったらベター --書き起こし文 --音声に関する付随情報（発話開始時間、発話終了時間、話者、アクセント、モーラなど） 2.言語モデル -最低必要なもの --生のテキストデータ -あったらベター --品詞情報が付与されているコーパス --構文解析木つきのコーパス --対訳付きのコーパス --機械翻訳や対話などの自然言語理解の研究を進めるのにタグ情報 --見出し語とその読みと品詞を集めた語彙目録ないし単語・形態素一覧表 --語が複数の意味を持つ場合の語義の説明、格パターンを集めた辞書にする コーパスに関して、値段と質から勝手に選別してみた（今回は対話にフォーカスしています） 質に関しては個人の主観が入って
Husky2
Husky2 is the first fully pipeleline based speech decoder. The pipeleline based design enables highly abstracted implementations of speech recognition systems while keeping the access to the details of the decoding process, which makes Huksy2 suitable for prototyping and education. In Husky2, everything is viewd as data flow just like the traditional signal processing. It is a WFST based decoder w
引越ししたので未来なお部屋を作ってみた。 - お前の血は何色だ!! 4
年の瀬に引越ししたので、部屋の再構築を行った。 コンセプトは快適に引き篭もれる未来の部屋。 その紹介をしたいと思う。 図面 一部省略の図面、古い建物なのでちょっと広い。 10m2 * 2部屋ぐらい。 何度か検討を繰り返してこの形式に落ち着いた。 カーテンを100インチのディスプレイにしてみた カーテンレールに100インチのスクリーンを釣り下げてみた。 カーテンが支えられるんだから、100インチのスクリーンぐらい支えられるだろうという発想。 カーテンレールに入れるのにLANケーブル用のマーカータイを使ってみた。 束ねれば結構強固である。 スクリーンの後ろは黒塗りされているので裏写りはないと思うけど、念のための裏写り防止のためと、昼間でも投影できるように暗室を作りたかったので、暗室用のブラックカーテンを後ろに引いている。 プロジェクターはNECの NP-U310WJD 短焦点プロジェクターを使
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
Mozilla Common Voice
TensorFlow Speech Recognition Challenge | Kaggle
GitHub - silicon-valley-data-science/RNN-Tutorial: Recurrent Neural Networks - A Short TensorFlow Tutorial
GitHub - julius-speech/julius: Open-Source Large Vocabulary Continuous Speech Recognition Engine
GitHub - julius-speech/segmentation-kit: Speech Segmentation Toolkit using Julius
Takahiro Shinozaki's home page
GitHub - rti7743/kaden_voice: kaden_voice (naichichi プロジェクト)