دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: 1 نویسندگان: Mohamed Elmahdy, Rainer Gruhn, Wolfgang Minker (auth.) سری: ISBN (شابک) : 9781461419051, 9781461419068 ناشر: Springer-Verlag New York سال نشر: 2012 تعداد صفحات: 119 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 2 مگابایت
کلمات کلیدی مربوط به کتاب فنون رمان برای تشخیص گفتار عربی لهجه ای: پردازش سیگنال، تصویر و گفتار، ترجمه زبان و زبان شناسی، مهندسی ارتباطات، شبکه ها، عربی، زبان شناسی محاسباتی
در صورت تبدیل فایل کتاب Novel Techniques for Dialectal Arabic Speech Recognition به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب فنون رمان برای تشخیص گفتار عربی لهجه ای نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
تکنیک های جدید برای گفتار عربی لهجه ای رویکردهایی را
برای بهبود تشخیص خودکار گفتار برای عربی گویشی توصیف می کند.
از آنجایی که منابع گفتاری برای تشخیص گفتار عربی لهجهای بسیار
پراکنده است، نویسندگان توضیح میدهند که چگونه دادههای گفتاری
استاندارد عربی مدرن (MSA) میتواند برای تشخیص گفتار عربی
گویشی استفاده شود، در حالی که فرض میکنیم که MSA همیشه زبان
دوم برای همه عربیگویان است.
در این کتاب عربی محاوره ای مصری (ECA) به عنوان گویش معمولی
عربی انتخاب شده است. ECA اولین گویش عربی است که از نظر تعداد
سخنرانان رتبه بندی شده است و مجموعه گفتاری ECA با کیفیت بالا
با رونویسی آوایی دقیق جمع آوری شده است. مدلهای آکوستیک MSA
با استفاده از گفتار پخش اخبار آموزش داده شدند. به منظور
استفاده متقابل زبانی از MSA در تشخیص گفتار عربی لهجهای،
نویسندگان مجموعههای واج را برای MSA و ECA عادی کردهاند. پس
از این عادیسازی، آنها تکنیکهای انطباق مدل آکوستیک پیشرفته
مانند رگرسیون خطی حداکثر احتمال (MLLR) و حداکثر A-پسریوری
(MAP) را برای تطبیق مدلهای آکوستیک MSA آوایی موجود با مقدار
کمی از دادههای گفتاری ECA گویشی اعمال کردهاند. . نتایج
تشخیص گفتار نشاندهنده افزایش قابلتوجهی در دقت تشخیص در
مقایسه با مدل پایهای است که فقط با دادههای ECA آموزش دیده
است.
Novel Techniques for Dialectal Arabic Speech describes
approaches to improve automatic speech recognition for
dialectal Arabic. Since speech resources for dialectal Arabic
speech recognition are very sparse, the authors describe how
existing Modern Standard Arabic (MSA) speech data can be
applied to dialectal Arabic speech recognition, while
assuming that MSA is always a second language for all Arabic
speakers.
In this book, Egyptian Colloquial Arabic (ECA) has been
chosen as a typical Arabic dialect. ECA is the first ranked
Arabic dialect in terms of number of speakers, and a high
quality ECA speech corpus with accurate phonetic
transcription has been collected. MSA acoustic models were
trained using news broadcast speech. In order to
cross-lingually use MSA in dialectal Arabic speech
recognition, the authors have normalized the phoneme sets for
MSA and ECA. After this normalization, they have applied
state-of-the-art acoustic model adaptation techniques like
Maximum Likelihood Linear Regression (MLLR) and Maximum
A-Posteriori (MAP) to adapt existing phonemic MSA acoustic
models with a small amount of dialectal ECA speech data.
Speech recognition results indicate a significant increase in
recognition accuracy compared to a baseline model trained
with only ECA data.
Front Matter....Pages I-XXI
Introduction....Pages 1-5
Fundamentals....Pages 7-23
Speech Corpora....Pages 25-32
Phonemic Acoustic Modeling....Pages 33-51
Graphemic Acoustic Modeling....Pages 53-69
Phonetic Transcription Using the Arabic Chat Alphabet....Pages 71-80
Conclusions and Future Directions....Pages 81-85
Back Matter....Pages 87-110