Phonetic speech segmentation of audiobooks by using adapted LSTM-based acoustic models

Abstract

Tento článek popisuje fonetickou segmentací audioknih pomocí LSTM neuronových sítí. Segmentační procedura zahrnuje iterativní adaptaci výchozího hlasově nezávislého modelu. Experimentální data zahrnují 5 audioknih nahraných různými českými osobnostmi. Zhruba 20 minut každé audioknihy je opatřeno přesnou ruční segmentací vytvořenou fonetickými experty. Experimenty popsané v tomto článku se zaměřují na nalezení optimálního nastavení segmentační procedury a zkoumají vliv jednotlivých parametrů na přesnost výsledné segmentace.