hljóðkóðun

Hljóðkóðun er ferli sem felur í sér að umbreyta munnlegu máli í táknrænt eða rafrænt form til frekari greiningar, geymslu eða framleiðslu. Í málvísindum, tölvuvísindum og talkerfum er hún grundvallarhugtakið og hún nær yfir bæði kerfisbundna táknun hljóðkerfis og nákvæmari lýsingu framburðar. Hljóðkóðun er lykill í hljóðgreiningu (ASR) og talgervingu (TTS).

Tvær meginleiðir hljóðkóðunar eru fonemísk kóðun og fónetísk kóðun. Fonemísk kóðun miðar að því að umbreyta tali í röð af hlóðeiningum, sem eru grunngildi hljóðkerfisins. Fónetísk kóðun skiptir hins vegar raunverulegum framburði í nákvæmari táknun sem lýsir hljóðmynd hvers hljóðs, oft með IPA-táknun til að gefa upp nákvæman framburð. Í mörgum kerfum eru báðar aðferðir sameinaðar.

Notkun hljóðkóðunar er fjölbreytt. Hún er grundvallarforsenda í ASR sem umbreytir hljóði í texta og í TTS sem framleiðir talmál út frá texta. Hún nýtist einnig í rannsóknum og verkfærum sem vinna með hljóðupptökur, hljóðgreiningu á mörgum tungumálum og þróun tal- og málkerfa. Í mörgum kerfum eru akustískir eiginleikar eins og MFCC notaðir sem kóðunareiginleikar til úrvinnslu.

Að lokum eru áskoranir sem tengjast dreifingu framburðar milli tungumála og dialekta, bakgrunnshljóða og gagnasafna, sem krefst aðlögunar og vel þróaðra gagna til að tryggja nákvæmni og stöðugleika kerfanna.