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 ã®éŸ³å£°èªè˜å…¥åŠ›ãŒæ€ã£ã¦ãŸã‚ˆã‚Šã™ã”ã‹ã£ãŸ - mizchi's blog
ã¯ã„ãˆãƒ¼ã¨ã‚ã® google ã®éŸ³å£°å…¥åŠ›ã®ãƒ†ã‚¹ãƒˆã‚’ã‚„ã£ã¦ã¿ã¦ã‚‹ã‚“ã§ã™ã‘ã©ã“ã‚Œã‚ã£ã¡ã‚ƒã™ã”ã„ã§ã™ããªã‚“ã‹ã“ã“ã¾ã§èªè˜ç²¾åº¦è‰¯ã„ã¨æ€ã‚ãªã‹ã£ãŸã‚ã®æ–‡å—ã®æ”¹è¡Œã¨ã‹ãã“ã ã‘ã¡ã‚‡ã£ã¨è‡ªåˆ†ã§ã‚„ã‚“ãªã„ã¨ã„ã‘ãªã„ã‚“ã§ã™ã‘ã©ãれ以外ã¯å…¨ç„¶ä¸æº€ãŒãªã„ã§ã™ãã“ã‚Œãªã«ã‹ã‚³ãƒžãƒ³ãƒ‰ã¨ã‹ã‚ã‚‹ã®ã‹ãªã‚„ãã†ã§ã‚‚ãªã„ã‹ä½•ãŒã‚„ã‚ŠãŸã„ã‹ã¨ã„ã†ã¨ discord ã§ã¡ã‚‡ã£ã¨ä»•äº‹ã§ä½¿ã£ã¦ã¿ãŸãã¦ãƒœã‚¤ã‚¹ãƒãƒ£ãƒƒãƒˆãƒãƒ£ãƒ³ãƒãƒ«ã«æ²¡é *1å‚åŠ ã•ã›ã¦éŒ²éŸ³ã•ã›ã¦ãã®ãƒ‡ãƒ¼ã‚¿ã‚’ google ã®ãƒ‰ã‚ュメントã¨ã—ã¦éŸ³å£°ã§é£Ÿã‚ã›ã¦æ–‡å—èµ·ã“ã—ã•ã›ã‚Œã°ã‚ã®ä¼šè°ã¨ã‹ãリモートワークã¨ã‹ã§ã™ã”ã„便利ãªã‚“ã˜ã‚ƒãªã„ã‹ãªã¨æ€ã£ã¦æ–‡å—èªè˜ api ã£ã¦ã¡ã‚‡ã£ã¨å…¬é–‹ã•ã‚Œã¦ã‚‹ã‹ã‚ã‹ã‚“ãªã„ã‚“ã ã‘ã©ã“ã†ã„ㆠapi ã£ã¦ google ã‚ã‚“ã¾ã‚Šã有料 api 脱退後悔*2ã—ãã‚Œãªã‹ã£ãŸã‚Šã£ã¦ã„ã†ã‚¤ãƒ¡ãƒ¼ã‚¸ã‚ã‚‹ã‚“ã よãã¾ã‚ google ドã‚ュメントを使ã‚ã›ã‚‹ãŸã‚ã®ã‚¤ãƒ³ã‚»ãƒ³ãƒ†ã‚£ãƒ–ã‚„ã£
Amazonã®éŸ³å£°èªè˜ã€ŒAlexaã€ã¯ä¸–ç•Œã®IoTã‚’å¸å·»ã—「スマートフォンã®æ¬¡ã€ã®ãƒ—ラットフォームã®è¦‡è€…ã¨ãªã‚Šã¤ã¤ã‚ã‚‹
AmazonãŒè²©å£²ã™ã‚‹ã‚¹ãƒ”ーカー型ã®éŸ³å£°ã‚¢ã‚·ã‚¹ã‚¿ãƒ³ãƒˆç«¯æœ«ã€ŒAmazon Echoã€ã¯ã€Amazonã®ãƒãƒ¼ãƒ‰ã‚¦ã‚§ã‚¢å²ä¸Šæœ€å¤§ã®ãƒ’ット作ã«ãªã‚Šã¾ã—ãŸã€‚ã—ã‹ã—ã€æœ¬å½“ã®å¤§ãƒ’ットã¯Echoã§ã¯ãªããã®ä¸èº«ã§ã‚る音声èªè˜æ©Ÿèƒ½ã€ŒAlexaã€ã«ã‚ˆã£ã¦ã“ã‚Œã‹ã‚‰ã‚‚ãŸã‚‰ã•ã‚Œã‚‹ã®ã§ã‚ã£ã¦ã€Alexaã‚’æ¦å™¨ã«ã€Œã‚¹ãƒžãƒ¼ãƒˆãƒ•ã‚©ãƒ³ã®æ¬¡ã€ã®ãƒ—ラットフォームをAmazonãŒæ‰‹ä¸ã«åŽã‚ã¤ã¤ã‚ã‚‹ã¨ã„ã†æŒ‡æ‘˜ãŒã‚ã‚Šã¾ã™ã€‚ 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
çµ±è¨ˆçš„å£°è³ªå¤‰æ› (7) GMMã«ã‚ˆã‚‹å£°è³ªå¤‰æ› - 人工知能ã«é–¢ã™ã‚‹æ–創録
çµ±è¨ˆçš„å£°è³ªå¤‰æ› (6) 声質変æ›ãƒ¢ãƒ‡ãƒ«ã®å¦ç¿’ã®ç¶šã。今回ãŒçµ±è¨ˆçš„声質変æ›ã‚·ãƒªãƒ¼ã‚ºã®æœ€çµ‚回ã§ã™ã€‚ 今回ã¯ã€å‰å›žå¦ç¿’ã—ãŸå£°è³ªå¤‰æ›ãƒ¢ãƒ‡ãƒ«ã‚’使ã£ã¦æœ¬å½“ã«å£°ãŒå¤‰æ›ã§ãã‚‹ã‹è©¦ã—ã¦ã¿ãŸã„。å‰å›žã‚„ã£ãŸGMMã®å¦ç¿’㧠ã«ãŠã‘ã‚‹å„コンãƒãƒ¼ãƒãƒ³ãƒˆ 㮠㨠㨠ãŒå¦ç¿’データã‹ã‚‰æŽ¨å®šã•ã‚ŒãŸçŠ¶æ…‹ã§ã‚る。 㨠ã¯ã€ ã®ã‚ˆã†ã«åˆ†å‰²ã§ãる。ã“ã®å¦ç¿’çµæžœã¯ã€ clb_slt.gmm clb_slt.gmm_01.npy clb_slt.gmm_02.npy clb_slt.gmm_03.npyã®4ã¤ã®ãƒ•ã‚¡ã‚¤ãƒ«ã«ãƒ€ãƒ³ãƒ—ã•ã‚Œã¦ã„る。 GMMã«ã‚ˆã‚‹å£°è³ªå¤‰æ› GMMã«ã‚ˆã‚‹å£°è³ªå¤‰æ›ã¯ã€ãŒä¸Žãˆã‚‰ã‚ŒãŸã¨ãã®ã®æœŸå¾…値を求ã‚ã‚‹ã“ã¨ã§è¡Œã†ã€‚ ã“ã“ã§ã€ ã§ã‚る。今回ã¯å°Žå‡ºã¯çœã„ã¦ã€è«–文（PDF）ã®çµæžœã‚’ãã®ã¾ã¾å€Ÿç”¨ã—よã†ã€‚ ãŸã¨ãˆã°ã€Aã•ã‚“ã®å£°ã‚’Bã•ã‚“ã®å£°ã«å¤‰æ›ã™ã‚‹ã“ã¨ã‚’考ãˆã‚‹ã€‚Aã•ã‚“ã®å£°ã‹ã‚‰æŠ½å‡ºã—ãŸãƒ¡ãƒ«ã‚±ãƒ—ストラムパラメータ を使ã£ã¦ä¸Šã®å¼ã§å¤‰
音声èªè˜ã«ç”¨ã„るコーパス　データé‡ã€è³ªã§åˆ†é¡žã—ã¦ã¿ãŸ - Qiita
#音声èªè˜ã«ç”¨ã„るコーパス 音声èªè˜ã«ã¯éŸ³ã®æƒ…å ±ã‚’çŸ¥è¦šã™ã‚‹ãŸã‚ã®éŸ³éŸ¿ãƒ¢ãƒ‡ãƒ«ã€è¨€èªžæƒ…å ±ã‚’çŸ¥è¦šã™ã‚‹ãŸã‚ã®è¨€èªžãƒ¢ãƒ‡ãƒ«ãŒå¿…è¦ 1.音響モデル -最低必è¦ãªã‚‚ã® --音響モデルã«ã¯éŸ³å£°ãƒ‡ãƒ¼ã‚¿ã¨éŸ³ç´ ã¨ã®å¯¾å¿œä»˜ãŒã•ã‚ŒãŸè¾žæ›¸ãŒå¿…è¦ -ã‚ã£ãŸã‚‰ãƒ™ã‚¿ãƒ¼ --書ãèµ·ã“ã—æ–‡ --音声ã«é–¢ã™ã‚‹ä»˜éšæƒ…å ±ï¼ˆç™ºè©±é–‹å§‹æ™‚é–“ã€ç™ºè©±çµ‚了時間ã€è©±è€…ã€ã‚¢ã‚¯ã‚»ãƒ³ãƒˆã€ãƒ¢ãƒ¼ãƒ©ãªã©ï¼‰ 2.言語モデル -最低必è¦ãªã‚‚ã® --生ã®ãƒ†ã‚ストデータ -ã‚ã£ãŸã‚‰ãƒ™ã‚¿ãƒ¼ --å“è©žæƒ…å ±ãŒä»˜ä¸Žã•ã‚Œã¦ã„るコーパス --構文解æžæœ¨ã¤ãã®ã‚³ãƒ¼ãƒ‘ス --対訳付ãã®ã‚³ãƒ¼ãƒ‘ス --機械翻訳や対話ãªã©ã®è‡ªç„¶è¨€èªžç†è§£ã®ç ”究を進ã‚ã‚‹ã®ã«ã‚¿ã‚°æƒ…å ± --見出ã—語ã¨ãã®èªã¿ã¨å“詞を集ã‚ãŸèªžå½™ç›®éŒ²ãªã„ã—å˜èªžãƒ»å½¢æ…‹ç´ 一覧表 --語ãŒè¤‡æ•°ã®æ„味をæŒã¤å ´åˆã®èªžç¾©ã®èª¬æ˜Žã€æ ¼ãƒ‘ターンを集ã‚ãŸè¾žæ›¸ã«ã™ã‚‹ ##コーパスã«é–¢ã—ã¦ã€å€¤æ®µã¨è³ªã‹ã‚‰å‹æ‰‹ã«é¸åˆ¥ã—ã¦ã¿ãŸï¼ˆä»Šå›žã¯å¯¾è©±ã«ãƒ•ã‚©ãƒ¼ã‚«ã‚¹ã—ã¦ã„ã¾ã™ï¼‰
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ã—ã—ãŸã®ã§æœªæ¥ãªãŠéƒ¨å±‹ã‚’作ã£ã¦ã¿ãŸã€‚ - ãŠå‰ã®è¡€ã¯ä½•è‰²ã !! 4
å¹´ã®ç€¬ã«å¼•è¶Šã—ã—ãŸã®ã§ã€éƒ¨å±‹ã®å†æ§‹ç¯‰ã‚’è¡Œã£ãŸã€‚ コンセプトã¯å¿«é©ã«å¼•ãç¯ã‚‚れる未æ¥ã®éƒ¨å±‹ã€‚ ãã®ç´¹ä»‹ã‚’ã—ãŸã„ã¨æ€ã†ã€‚ å›³é¢ ä¸€éƒ¨çœç•¥ã®å›³é¢ã€å¤ã„建物ãªã®ã§ã¡ã‚‡ã£ã¨åºƒã„。 10m2 * 2部屋ãらã„。 何度ã‹æ¤œè¨Žã‚’ç¹°ã‚Šè¿”ã—ã¦ã“ã®å½¢å¼ã«è½ã¡ç€ã„ãŸã€‚ カーテンを100インãƒã®ãƒ‡ã‚£ã‚¹ãƒ—レイã«ã—ã¦ã¿ãŸ カーテンレールã«100インãƒã®ã‚¹ã‚¯ãƒªãƒ¼ãƒ³ã‚’釣り下ã’ã¦ã¿ãŸã€‚ カーテンãŒæ”¯ãˆã‚‰ã‚Œã‚‹ã‚“ã ã‹ã‚‰ã€100インãƒã®ã‚¹ã‚¯ãƒªãƒ¼ãƒ³ãらã„支ãˆã‚‰ã‚Œã‚‹ã ã‚ã†ã¨ã„ã†ç™ºæƒ³ã€‚ カーテンレールã«å…¥ã‚Œã‚‹ã®ã«LANケーブル用ã®ãƒžãƒ¼ã‚«ãƒ¼ã‚¿ã‚¤ã‚’使ã£ã¦ã¿ãŸã€‚ æŸãã‚Œã°çµæ§‹å¼·å›ºã§ã‚る。 スクリーンã®å¾Œã‚ã¯é»’å¡—ã‚Šã•ã‚Œã¦ã„ã‚‹ã®ã§è£å†™ã‚Šã¯ãªã„ã¨æ€ã†ã‘ã©ã€å¿µã®ãŸã‚ã®è£å†™ã‚Šé˜²æ¢ã®ãŸã‚ã¨ã€æ˜¼é–“ã§ã‚‚投影ã§ãるよã†ã«æš—室を作りãŸã‹ã£ãŸã®ã§ã€æš—室用ã®ãƒ–ラックカーテンを後ã‚ã«å¼•ã„ã¦ã„る。 プãƒã‚¸ã‚§ã‚¯ã‚¿ãƒ¼ã¯NECã® NP-U310WJD çŸç„¦ç‚¹ãƒ—ãƒã‚¸ã‚§ã‚¯ã‚¿ãƒ¼ã‚’使
1
ランã‚ング
ランã‚ング
ランã‚ング
リリースã€éšœå®³æƒ…å ±ãªã©ã®ã‚µãƒ¼ãƒ“スã®ãŠçŸ¥ã‚‰ã›
最新ã®äººæ°—エントリーã®é…ä¿¡
j次ã®ãƒ–ックマーク
kå‰ã®ãƒ–ックマーク
lã‚ã¨ã§èªã‚€
eコメント一覧を開ã
oページを開ã
Mozilla Common Voice
TensorFlow Speech Recognition Challenge
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ãƒã‚¸ã‚§ã‚¯ãƒˆ)
{{#tags}}- {{label}}
{{/tags}}