言語にバインドせずにカルディを使用するディープニューラルネットワークによるコマンド検出

Question

dnetを訓練して特定の言語にバインドせずに限られた数の音声コマンドを認識するための簡単なアプリケーションの設定方法はありますか？私はKaldi APIがかなり強力だと信じていますが、ドキュメントの欠如があります。

Answer 1

1）既存のDNNモデルを使用するか、自分でトレーニングします。あなたはKaldiのTedlium実験を使うことができます。自由に走ることができます。モデルが英語用であれば問題ありませんが、他の言語用にも機能します。

2）両方のトレーニングキーフレーズからDNNのposteriorsを抽出します。 nnet3-am-computeツールを使用することができます。それはDNNモデルを取って、すべてのフレームに対して音声または状態のposteriorsを返します。

3）DTW algorithmを実装してDNNのposteriorsを比較します。この部分はあなた自身で行う必要がありますが、Kaldiでは実装されていません。アルゴリズムを説明

関連論文：

Investigating Neural Network based Query-by-Example Keyword Spotting Approach for Personalized Wake-up Word Detection in Mandarin Chinese

Query-By-Example Spoken Term Detection Using Phonetic Posteriorgram Templates