Beszédfelderítés

Beszédfelderítés olyan tudományos terület, amely a beszédből származó információk feltárására, azonosítására és jellemzésére törekszik. A kifejezés gyakran a beszélő kilétének vagy nyelvi/dialektus jellegzetességeinek megállapítását, illetve olyan tulajdonságok becslését foglalja magába, mint érzelem, hangulat vagy beszédstílus. A beszédfelderítés a beszédfelismerés mellett használatos fogalom: a cél nem csak a szöveg értelmezése, hanem a beszélő azonosítása, hitelesítése, vagy más beszédalapú jellemzők meghatározása.

Fő feladatok közé tartozik a beszélő azonosítása (speaker identification/verification), nyelv- vagy dialektusazonosítás, valamint érzelem- és beszédstílus becslése. A megközelítés három pillére a minőségi felvételek és adatok, az akusztikai jellemzők kivonása, és a modellezés. Gyakorlati jellemzők közé tartoznak a hangmagasság (pitch), hangerő, formantok, illetve a Mel-Frequency Cepstral Coefficients (MFCC) és fejlettebb reprezentációk, például i-vectors vagy x-vectors. A modellezésen belül alkalmaznak Gaussian Mixture Models, i-vector alapú rendszereket és mély neurális hálókat (például DNN/Transformer-alapú megoldásokat).

Alkalmazások közé tartozik a forenzikus beszédfelderítés, ahol felvételeket összevetnek beszélői kilétek és hangforrások alapján értékelnek; biometrikus azonosítási rendszerek; valamint nyelvi és beszédstílus elemzése kutatási vagy technológiai célokra. Kihívások közé tartozik a zajos vagy gyatra minőségű felvételek kezelése, csatornahatások és nyelvi variabilitás, adatalapú torzítások, valamint az adatvédelmi és etikai kérdések, a fals pozitív/negatív kockázat és a jogi megfelelés.

További olvasás: beszédfelismerés, beszédbiometria, beszéd- és beszédevizsgálat.