Grundlagen der Automatischen Spracherkennung, WS16/17, Vorlesung
By Karlsruher Institut für Technologie (KIT)
Um sich einen Audio-Podcast anzuhören, fahre mit der Maus über den Titel und klicke auf "Wiedergabe". Öffne iTunes, um Podcasts zu laden und zu abonnieren.
Beschreibung
Die Vorlesung erläutert den Aufbau eines modernen Spracherkennungssystems. Der Aufbau wird dabei motiviert ausgehend von der Produktion menschlicher Sprache und ihrer Eigenschaften. Es werden alle Verarbeitungsschritte von der Signalverarbeitung über das Training geeigneter, statistischer Modelle, bis hin zur eigentlichen Erkennung ausführlich behandelt. Dabei stehen statistische Methoden, wie sie in aktuellen Spracherkennungssystemen verwendet werden, im Vordergrund. Somit wird der Stand der Technik in der automatischen Spracherkennung vermittelt. Ferner werden alternative Methoden vorgestellt, aus denen sich die aktuellen entwickelt haben und die zum Teil noch in spezialisierten Fällen in der Spracherkennung zum Einsatz kommen. Anhand von Beispielanwendungen und Beispielen aus aktuellen Projekten wird der Stand der Technik und die Leistungsfähigkeit moderner Systeme veranschaulicht. Zusätzlich zu den grundlegenden Techniken wird auch eine Einführung in die weiterführenden Techniken automatischer Spracherkennung geben, um so zu vermitteln, wie moderne, leistungsfähige Spracherkennungssysteme trainiert und angewendet werden können. Literaturhinweise: Xuedong Huang, Alex Acero, Hsiao-wuen Hon, Spoken Language Processing, Prentice Hall, NJ, USA, 2001 Fredrick Jelinek (editor), Statistical Methods for Speech Recognition, The MIT Press,1997, Cambridge, Massachusetts, London, England.
| Name | Beschreibung | Erschienen | Preis | ||
|---|---|---|---|---|---|
| 1 | CleanVideoGrundlagen der Automatischen Spracherkennung, Vorlesung, WS 2016/17, 06.02.2017, 19 | 0:00:00 Starten 0:00:16 Minimierung des Wortfehlers 0:02:50 Approximierung mit N-besten Listen 0:04:06 WER Minimierung auf Wortgraphen 0:04:18 Multiple Alignment WER 0:07:03 Finden des globalen Alignment 0:08:21 Alignment als Äquivalenzrelation 0:09:44 Finden einer angemessenen Äquivalenzrelation 0:12:02 Intra-Wort-Clustern 0:14:58 Pruning 0:15:45 Confusionsnetzwerke 0:18:20 Confusionsnetzwer-Hypothese 0:19:20 Eyperimente 0:23:03 Systemkombination 0:25:00 Systemkombination mit ROVER 0:28:33 Alignierung vieler Hypothesen mittlels DP 0:29:30 Beispiel 0:30:46 Mehrheitsentscheidung 0:31:25 Experimente 0:34:28 Probleme mit EM Training 0:38:06 Korrektives Training 0:41:22 Diskriminatives Training 0:43:00 Maximierung der Posterioriw'keit 0:43:41 Transformation / Mutual Information 0:45:14 Maximum Mutual Information Estimation (MMIE) 0:47:52 MLE vs. MMIE 0:50:35 MMIE Implementierung 0:51:20 MMIE Optimierung 0:52:16 Erweiterte Baum-Welch Regeln 0:54:59 MMIE Trainingsprozedur 0:57:21 Ergebnisse 0:58:00 MWE/MCE Training 1:07:31 Neue-Worte-Problem 1:09:31 Ansätze 1:11:02 Häufigkeitsverteilung von Wörtern 1:12:46 Herausvorderungen bei der OOV Detektion 1:14:11 OOV Wörtermodelle im AM 1:15:37 AM 1:16:03 OOV Wörtermodelle LM 1:17:49 Automatisches Clustern 1:18:06 Beispiele 1:19:36 Genauigkeit OOV Detektion 1:21:01 Lernen der neuen Wörter 1:21:32 Beispiel Lerndialog | 16.2.2017 | Gratis | In iTunes ansehen |
| 2 | CleanVideoGrundlagen der Automatischen Spracherkennung, Vorlesung, WS 2016/17, 18.01.2017, 18 | 18 | 0:00:00 Starten 0:01:22 Vor- und Nachteile eines Stackdecoders 0:05:30 A* vs. Strahlsuche 0:07:22 Vermeidung von Redundanzen 0:09:23 Baumsuche 0:12:11 Baumsuche mit Sprachmodell 0:13:54 Delayed Bi-Grams 0:21:15 Einsparung durch Baum-Lexica 0:25:40 Kopien von Suchbäumen 0:29:50 Suche mit kontextabhängigen Modellen 0:32:24 Baumsuche mit kontextabhängigen Modellen 0:35:58 N-Besten Suche 0:43:27 Probleme mit n besten Listen 0:45:27 Wortgraphen 0:47:39 Zusammenfassung Beschleunigungstechniken 0:49:35 Mehrpass Suchen 0:50:53 Beispiel: IBIS Single Pass Decoder 0:53:48 Delayed Bi-Grams 1:00:17 Consensus Decoding 1:02:38 Bsp: MAP vs. Wort-Posteriori-W'keiten 1:08:34 Minimierung des Wortfehlers 1:12:50 Approximierung mit N-besten Listen 1:14:55 WER Minimierung auf Wortgraphen 1:17:16 Multiple Alignment WER | 25.1.2017 | Gratis | In iTunes ansehen |
| 3 | CleanVideoGrundlagen der Automatischen Spracherkennung, Vorlesung, WS 2016/17, 16.01.2017, 17 | 17 | 0:00:00 Starten 0:00:04 Suche 0:01:31 Erinnerung: Fundamentalformel 0:02:05 Suche in der Spracherkennung 0:05:08 Erinnerung DTW und One-Stage-DP 0:07:02 Suche im Allgemeinen 0:09:33 Suche mit DP und Heuristik 0:11:37 Kenngrößen für Suchprobleme 0:14:42 Forward-/Backward-/bi-direktionale Suche 0:16:34 Explizite vs. Implizite Implementierung 0:18:15 Blinde Suche 0:19:51 Suchstrategien 0:24:49 Tiefensuche vs. Breitensuche 0:25:58 Heuristische Graphsuche 0:28:42 Zeitasynchrone Suche mit A* 0:33:13 Zeitsynchrone Strahlsuche 0:38:16 Beams in ASR 0:40:15 Beam vs. WER 0:51:26 Kontinuierliche Suchräume, gleichverteiltes Sprachmodell 0:54:51 Suchraum mit Uni-Gramm 0:58:16 Suchraum mit Bi-Grammen 1:00:59 Suchraum mit Tri-Grammen 1:05:58 Viterbi Decoding 1:12:51 A* mit Stack Decoder 1:14:40 Heuristik für A* 1:16:42 Fast Match | 19.1.2017 | Gratis | In iTunes ansehen |
| 4 | CleanVideoGrundlagen der Automatischen Spracherkennung, Vorlesung, WS 2016/17, 21.12.2016, 16 | 16 | 0:00:00 Starten 0:00:04 Kombination von Sprachmodell und Akustischem Modell 0:15:11 Deterministische Sprachmodelle 0:17:41 Repräsentation der Grammatik 0:19:28 Formale Sprachtheorie 0:20:31 Chomsky-Hierarchie 0:22:28 Chartparsing 0:24:54 Probabilistische CFGs 0:28:34 Suche 0:30:26 Erinnerung: Fundamentalformel 0:31:15 Suche in der Spracherkennung | 12.1.2017 | Gratis | In iTunes ansehen |
| 5 | CleanVideoGrundlagen der Automatischen Spracherkennung, Vorlesung, WS 2016/17, 14.12.2016, 15 | 15 | 0:00:00 Starten 0:00:05 Aussprachewörterbücher, Sprachmodelle 0:00:41 Flexibles Trainingsalignment 0:01:05 Aussprachen bestimmen für unüberwachtes Lernen 0:05:18 Emotionserkennung mit Hilfe von Aussprachenvarianten 0:06:27 Aussprachewörterbuch Entwicklung (nach Adda-Decker und Lamel) 0:09:10 Multiworte 0:12:05 Single Pronunciation Dictionaries 0:15:06 Erweiterter Clusterbaum 0:18:48 Ergebnisse 0:22:47 Literaturempfehlung 0:23:27 Sprachmodellierung 0:24:15 Erinnerung: Fundamentalformel 0:29:44 Determinstische vs. Stochastische Sprachmodelle 0:33:48 Wörterratespiel 0:38:08 Wozu dient das Sprachmodell 0:40:26 Stochastische Sprachmodelle 0:44:57 Äquivalenzklassen 0:46:28 Schätzen von N-Gramm W´keiten 0:47:34 Beispiel 0:50:57 Bigramme und Trigramme 0:53:57 Das Bag-of-Words Experiment 0:55:30 Glättung von Sprachmodellparametern 0:57:59 Discounting 1:00:51 Interpolation (Lineare Glättung) 1:02:16 HMM für Interpolationsgewichte 1:10:10 Schätzung der Gewichte 1:10:57 HMM für Interpolationsgewichte 1:11:53 Deleted Interpolation. Basierend auf den »Conditional Counts« 1:17:47 Praktische Aspekte 1:19:38 Schätzen von Y 1:20:28 Allgemeines Rahmenwerk für Glättung 1:22:41 Weitere Notationen | 20.12.2016 | Gratis | In iTunes ansehen |
| 6 | CleanVideoGrundlagen der Automatischen Spracherkennung, Vorlesung, WS 2016/17, 12.12.2016, 14 | 14 | 0:00:00 Starten 0:00:09 Wiederholung 0:03:29 Kontextfragen 0:09:30 Typische Kontextfragen 0:13:15 Abdeckung durch Polyphone 0:14:51 Gewinn durch längere Kontexte 0:16:21 Verwendung dynamischer Modalitäten 0:17:38 Dynamische Modalitäten 0:29:29 Fehler durch Falsche Aussprachen 0:31:19 Generierung von Aussprachewörterbüchern 0:39:42 Verwendung von existierenden Wörterbüchern 0:43:58 Lernen von Ausspracheregeln 0:51:00 Inkrementelles Lernen 0:53:28 Aussprachevarianten 0:56:08 Finden von Aussprachevarianten 0:57:32 Probleme mit Aussprachevarianten 1:02:59 Typische Aussprachevarianten 1:03:38 Regeln für Aussprachevarianten im Deutschen 1:04:40 Datengetriebenes Finden von Aussprachevarianten 1:07:48 Finden von Aussprachevarianten mit dem Silbenmodell 1:09:22 Flexibles Trainingsalignment | 20.12.2016 | Gratis | In iTunes ansehen |
| 7 | CleanVideoGrundlagen der Automatischen Spracherkennung, Vorlesung, WS 2016/17, 30.11.2016, 13 | 13 | 0:00:00 Starten 0:00:06 EM Algorithm 0:00:22 Literatur 0:01:46 Baum-Welch Regeln 0:03:41 Maximum-Likelihood Methode 0:42:38 Expectation Maximization (EM) 0:45:19 EM 0:49:06 EM – Expectation Schritt 0:54:25 EM für Mixtur-Gewichte 1:05:41 EM für Gaußmixturen 1:17:21 EM für HMMs 1:20:05 EM für HMMs Anfangsw´keiten 1:22:18 EM für HMMs Übergangsw´keiten 1:24:26 EM Algorithmus diskrete Emissionsw´keiten | 8.12.2016 | Gratis | In iTunes ansehen |
| 8 | CleanVideoGrundlagen der Automatischen Spracherkennung, Vorlesung, WS 2016/17, 28.11.2016, 12 | 12 | 0:00:00 Starten 0:00:11 EM Algorithmus Emissionsw'keiten GMM 0:06:13 HMM Training für multiple Trainigssequenzen 0:07:32 HMMs in ASR 0:10:16 Wortfolge zu HMM 0:13:56 HMM in ASR 0:26:49 HMM Trainingszyklus 0:36:21 Etikettierte Daten 0:38:19 Initalisierung mit K-Mittelwerte Algorithmus 0:47:19 Neural Gas Algorithmus 0:49:20 Initilisierung der HMM Parameter 0:51:25 Initialisierung ohne Etiketierte Daten 0:53:33 Viterbi Training 0:57:59 Label Training 1:00:00 Komponenten eines HMM Erkenners 1:01:41 Parameterkopplung 1:03:13 Semikontinuierliches HMM 1:10:21 Parameterkopplung | 1.12.2016 | Gratis | In iTunes ansehen |
| 9 | CleanVideoGrundlagen der Automatischen Spracherkennung, Vorlesung, WS 2016/17, 23.11.2016, 11 | 11 | 0:00:00 Starten 0:00:05 EM Algorithm 0:00:19 Literatur 0:01:55 Baum-Welch Regeln 0:03:38 Maximum-Likelihood Methode 0:42:31 Expectation Maximization EM) 0:45:17 EM 0:49:09 EM – Expectation Schritt 0:54:05 EM für Mixtur-Gewichte 1:00:55 EM für Mixturgewichte 1:05:43 EM für Gaußmixturen 1:17:48 EM für HMMs 1:20:37 EM für HMMs Anfangsw´keiten 1:22:50 EM für HMMs Übergangsw´keiten 1:24:30 EM Algorithmus diskrete Emissionsw´keiten | 1.12.2016 | Gratis | In iTunes ansehen |
| 10 | CleanVideoGrundlagen der Automatischen Spracherkennung, Vorlesung, WS 2016/17, 21.11.2016, 10 | 10 | 0:00:00 Starten 0:00:20 Stochastik in der Spracherkennung 0:05:24 Die Fundamentalformel 0:10:01 Stochastische ASR Akustisches Modell 0:11:49 Stochastischer Prozess 0:19:33 Makrow-Kette 0:20:42 Makrow-Kette n-ter Ordnung 0:23:22 Makrow-Ketten 1. Ordnung 0:27:37 Beispiele 0:32:10 Hidden Markov Models 0:40:48 Urne Ball Modell 0:42:27 HMM Definition 0:45:25 HMM Beobachtungsgenerierung 0:46:56 Die HMM Trellis 0:48:38 Die Drei Probleme des HMMs 0:52:21 Forward Algorithmus 0:57:17 Backward Algorithmus 1:04:29 Das Decoding Problem 1:07:30 Viterbi-Algorithmus 1:09:37 Das Lern-Problem 1:17:54 Baum-Welch Regeln | 22.11.2016 | Gratis | In iTunes ansehen |
| 11 | CleanVideoGrundlagen der Automatischen Spracherkennung, Vorlesung, WS 2016/17, 16.11.2016, 09 | 09 | 0:00:00 Starten 0:00:26 DTW für einzelne Wörter 0:03:44 DTW für Sequenzen mehrere Wörter 0:09:45 One Stage DP 0:12:48 One Stage DP Implementierung 0:17:29 One Stage DP Syntaktische Einschränkung 0:20:34 Gaußverteilung (Normalverteilung) 0:26:12 Multivariate Normalverteilung 0:27:33 Kovarianzmatrix der Gaußverteilung 0:34:24 Gauß-Mischverteilung 0:35:16 Benutzung in der Praxis 0:44:11 Vektorquantisierung 0:46:54 Voronoiregionen 0:48:46 Mahalanobis Distanz 0:49:53 Vektorquantisierung als Klassifikationsproblem 0:51:54 K-Nächste Nachbar 0:53:58 Beschleunigung von KNN 1:00:46 Baumstruktur des Merkmalsraums 1:01:41 Aufgabe 1:09:34 Finden von Referenzvektoren 1:10:33 K-MIttelwerte 1:13:07 Learning VQ 1:14:48 LVQ 2, LVQ 3 1:16:18 LVQ als KNN | 21.11.2016 | Gratis | In iTunes ansehen |
| 12 | CleanVideoGrundlagen der Automatischen Spracherkennung, Vorlesung, WS 2016/17, 14.11.2016, 08 | 08 | 0:00:00 Starten 0:00:14 Hauptkomponentenalyse (PCA) 0:02:40 Lineare Diskriminanzanalyse 0:05:21 Vorverarbeitung mit Neuronalen Netzen 0:10:11 Bottelneck Features 0:13:56 Klassifikation 0:15:30 Aufgabe (1) 0:21:36 Statistische vs. Wissensbasierte Ansätze 0:23:15 Wissensbasiert: Entscheidungsbäume 0:25:00 Classification and Regression Trees 0:28:37 Überwachtes vs. Unüberwachtes Lernen 0:30:09 Unüberwachtes Lernen 0:30:31 Überwachtes Lernen 0:31:32 Parametrische vs. Nicht-Parametrische Klassifikation 0:35:22 Bayes Klassifikator 0:37:50 Minimum Fehler Regel 0:37:59 Entscheidungsgrenze 0:39:00 Parzen Fenster 0:39:21 Spracherkennung mit Musterklssifikation 0:41:43 Vergleich ganzer Äußerungen (1) 0:43:48 Aufgabe (2) 0:46:26 Vergleich ganzer Äußerungen (2) 0:50:10 Time Warping 0:51:07 Distanz zweier Äußerungen 0:52:49 Erinnerung MInimale Editierdistanz 0:53:37 DP Matrix 0:54:14 Dynamic Time Warping (DTW) 0:56:03 Einschränkungen des DTW Pfades 0:58:46 DTW Schritte 0:59:46 Globale Einschränkungen 1:00:50 Der DTW Suchraum 1:04:24 Strahlsuche 1:06:01 Mögliche Distanzen zwischen Vektoren | 21.11.2016 | Gratis | In iTunes ansehen |
| 13 | CleanVideoGrundlagen der Automatischen Spracherkennung, Vorlesung, WS 2016/17, 09.11.2016, 07 | 07 | 0:00:00 Starten 0:00:17 Spektrogramm 0:00:58 Oberschwingung, Harmonische 0:03:14 Mel Skalierung 0:07:18 Effekt der Fensterlänge 0:12:44 Quelle Filter Modell der Sprache 0:15:24 Helmholtzresonator 0:17:08 Vokaldreieck 0:21:30 Lineare Vorhersage (LPC) 0:28:54 Interpretation der LPC Koeffizienten 0:30:47 All-Pole Modell 0:30:53 LPC Beispiel 0:33:45 Cepstrum 0:50:02 Diskrete Cosinustransformation 0:51:03 Beispiel: Berechnung MFCC Koeffizienten 0:51:35 Filterbank im Leistungsbetrags-Spektrum 0:51:52 Mel-Filterbank 0:51:59 Logarithmus auf Leistungsbetragsspektrum 0:52:31 Cepstral-Koeffizienten 0:53:17 Log-Spektrum rekonstruiert von (geliftertem) Cepstrum 0:53:35 Vergleich Verschiedener Spektren 0:54:34 Typische Vorverarbeitung 1:05:14 Spektrogramm 1:05:48 Dynamische Merkmale 1:07:36 Autokorrelation 1:12:57 Nulldurchgangsrate 1:15:36 Hauptkomponentenanalyse (PCA) 1:24:51 Lineare Diskriminanzanalyse | 21.11.2016 | Gratis | In iTunes ansehen |
| 14 | CleanVideoGrundlagen der Automatischen Spracherkennung, Vorlesung, WS 2016/17, 31.10.2016, 05 | 05 | 0:00:00 Starten 0:00:33 Grundlagen der Signalverarbeitung 0:00:50 Wozu Signal(vor)verarbeitung? 0:02:33 Systeme 0:06:21 Zeitinvariante System 0:09:58 Dirac Distribution 0:18:18 Faltung 0:20:35 Impulsantwort 0:26:59 Quelle Filter Modell der Sprache 0:30:42 Parametereigenschaften einer trigonometrischen Funktion 0:32:31 Darstellungen der Fourierreihe 0:38:34 Fouriertransformation 0:45:20 Komplexes Spektrum 0:52:36 Projektion der komplexen Exponentialfunktion auf die reelle trigonometrische Funktion 0:52:57 Zeitdiskrete Fouriertransformation 0:55:51 Diskrete Fouriertransformation | 10.11.2016 | Gratis | In iTunes ansehen |
| 15 | CleanVideoGrundlagen der Automatischen Spracherkennung, Vorlesung, WS 2016/17, 02.11.2016, 06 | 06 | 0:00:00 Starten 0:00:15 Zusammenfassung Fouriertransformation 0:02:21 Digitalisierung 0:03:02 Abtastung (Sampling) 0:04:21 Abtasttheorem Nyquist-Shannon Theorem 0:06:36 Aliasing 0:18:46 Reale Abtastung 0:20:19 Quantisierung 0:23:35 Quantisierungsrauschen 0:27:58 Quantisierung von Sprachsignalen 0:30:20 Einseiztige und zweiseitige Laplace Transformation 0:34:51 Laplace Transformation 0:36:16 |F(s)| - Darstellung 0:37:29 Wiederholung LTI-Systeme 0:38:48 Darstellung der Übertragungsfunktion von LTI Systemen 0:44:58 Projektion auf s-Ebene 0:46:23 Pol-Nullstellen-Schema in der s-Ebene 0:47:03 Z-Transformation 0:48:50 Zusammenhang LT und ZT 0:49:43 Abbildung komplexe s-Ebene auf z-Ebene 0:51:20 Kurzzeitspektralanalyse 1:01:51 Periodizität des gefensterten Signals 1:05:04 Effekt der Fensterung 1:06:54 Fensterfunktionen (1) 1:09:48 Effekt der Fensterung 1:11:32 Fensterfunktionen (2) 1:14:06 Wo ist der Fehler? 1:14:27 Spektogramm (1) 1:17:34 Oberschwingung, Harmonische 1:21:18 Spektogramm (2) 1:26:36 Fensterfunktionen (3) 1:28:32 Spektogramm (3) | 10.11.2016 | Gratis | In iTunes ansehen |
| 16 | CleanVideoGrundlagen der Automatischen Spracherkennung, Vorlesung, WS 2016/17, 19.10.2016, 02 | 02 | 0:00:00 Starten 0:00:09 Einführung und Anwendungen 0:01:08 Ist Spracherkennung Schwierig? 0:02:00 Warum ist ASR schwierg? 0:02:51 Variabilität auf Signalebene 0:09:44 Variabilität auf phonetischer Ebene 0:12:57 Mehrdeutigkeit auf linguistischer Ebene 0:16:32 Segmentierung 0:18:24 Sprache aus Sicht der Maschine 0:19:15 Spracherkennung als Klassifikation 0:20:20 Große Datenmengen, viele Klassen 0:23:29 Menschen können ASR 0:26:09 Ein Experiment 0:34:09 McGurk Effekt 0:38:10 Die Vogelperspektive 0:41:36 Gebiete, die relevant sind 0:46:03 Sprachproduktion 0:47:16 Artikulationsapparat 0:49:12 Vokaltrakt 0:50:46 Stimmhafte Sprache 0:54:51 Grundfrequenz/-ton 0:58:35 Animation des Vokaltrakts / Stroboskopaufnahme 1:01:27 Sprachlaute – Vokale und Konsonanten 1:05:36 Vokale 1:09:11 Diphthonge 1:10:37 Konsonanten 1:14:37 Konsonantenbeispiel 1:15:37 Ort der Artikulation 1:16:50 Art der Artikulation 1:21:30 Internationales Phonetisches Alphabet 1:22:43 IPA Vokale 1:23:43 IPA Konsonanten 1:25:00 Nasale 1:26:13 Phonem | 3.11.2016 | Gratis | In iTunes ansehen |
| 17 | CleanVideoGrundlagen der Automatischen Spracherkennung, Vorlesung, WS 2016/17, 26.10.2016, 04 | 04 | 0:00:00 Starten 0:00:04 Inhalt: Mikrofone, Wortfehlerrate 0:00:40 Mikrofone 0:01:25 Wandlerprinzipien 0:02:21 Richtcharakterristik 0:05:56 Akustische Bauformen 0:20:12 Pop- und Windschutz 0:23:44 Geschichte der ASR 0:39:56 Euphonia – Speech Organ (1846) 0:41:03 Radio Rex (1922) 0:43:11 Vocoder (1939) 0:43:59 HARPY (1976) 0:48:19 Wortfehlerrate 0:50:19 Minimale Editierdistanz 0:51:08 Ein Beispiel 0:52:02 Eigenschaften der WER 0:57:44 Probleme mit der WER 1:02:55 WER in den DARPA Evaluationen 1:17:46 Grundlagen der Signalverarbeitung 1:19:39 Wozu Signal(vor)verarbeitung? | 3.11.2016 | Gratis | In iTunes ansehen |
| 18 | CleanVideoGrundlagen der Automatischen Spracherkennung, Vorlesung, WS 2016/17, 24.10.2016, 03 | 03 | 0:00:00 Starten 0:00:04 Wiederholung der letzten Vorlesung 0:02:36 Phonem 0:05:09 Kurioses 0:10:48 Schall 0:18:12 Schalldruckpegel 0:21:42 Beispiele für Pegel 0:24:01 Schallenergie 0:26:43 Schallfläche 0:27:43 Anatomie Gehör 0:33:57 Gehör 0:36:18 Cochlea 0:41:30 Psychoakustik 0:46:00 Frequenzantwort der Membran 0:48:45 Lautstärkenempfinden 0:51:11 Experimente 0:57:23 Die Hörfläche 1:01:40 Schriftsysteme 1:10:02 Verteilung der Schriftsysteme 1:13:52 Mikrofone 1:14:43 Überblick | 3.11.2016 | Gratis | In iTunes ansehen |
| 19 | CleanVideoGrundlagen der Automatischen Spracherkennung, Vorlesung, WS 2016/17, 17.10.2016, 01 | 01 | 0:00:00 Starten 0:00:55 Was ist Automatische Spracherkennung? 0:05:14 Sprache vs. Sprache 0:11:29 Anwendung von ASR 0:32:10 Vorteile von ASR 0:40:11 Aktuelles Beispiel 0:42:51 Nachteile von ASR 0:49:51 Taxonomie von Sprache 1:05:32 Ist Spracherkennung schwierig? 1:08:01 Warum ist ASR schwierig? | 24.10.2016 | Gratis | In iTunes ansehen |
| 19 Artikel |
