Automatic speech recognition system for Turkish spoken language

Abstract

Uzun yıllardan beri ses ve konuşmaların saklanması ve iletilmesi mümkündür. Ayrıkzamanlı ve sürekli zamanlı işaret işleme yöntemleri sayesinde ses ve konuşma işaretleri deişlenebilmektedir. Bununla beraber, eğitilebilen algoritmalar kullanılarak OtomatikKonuşma Tanıma ve Otomatik Konuşmacı tanıma sistemleri de geliştirilebilmektedir.Bu çalışmada Boğaziçi Üniversitesi'nde bulunan ?BUSİM speech group? tarafındangeliştirilmiş, Türkçe dili için otomatik konuşma tanıma sistemi kullanılmıştır. Bu sistem;konuşmacıların söylediği kelimeleri bir liste halinde dökebilmektedir. Ancak; bir insan içinbile noktalama işaretlerinden yoksun bir metinden bilgi alabilmek oldukça zordur. Busebepten dolayı konu bölütleme veya konu özetleme gibi daha ileri uygulamalarıyapabilmek için, öncelikle cümle bölütleme işleminin yapılması gerekmektedir.Dil bilgisine uygun bir yazılı metindeki noktalama işaretleri, diksiyonda vurgu ilebelirtilmektedir. Başka bir deyişle bu özellikler konuşma işaretinin bürünsel özellikleridir.Amacımız, Otomatik Konuşma Sisteminin çıktıları ile ses işaretinin bürünsel özelliklerinikullanarak cümle bölütlemesini otomatik yapabilen bir sistem geliştirmektir.

The transmission and storage of speech sounds is possible for decades. In addition by usingsignal processing techniques, it is also possible to process speech signals. By using timeand frequency analysis of speech signal and several machine learning algorithms, it ispossible to build a system which is used to recognize spoken words. Such systems arecalled Automatic Speech Recognition systems.In our work, we have used the Automatic Speech Recognition system for Turkish spokenlanguage which has built by BUSIM speech group. However, the output of the recognizer isthe list of spoken words. Even for humans it is a very hard task to understand a text withoutpunctuation symbols. Hence to build more complex recognizer whose goal to perform topicsegmentation and topic summarization, the output of ASR should be divided into sentencesat first.Our goal is to build a system which performs the sentence segmentation. In our work wehave used ASR system to obtain word level and phoneme level time marks and by usingthat time marks with the audio files, we have extracted prosodic features, where theprosodic properties of speech contains information about the punctuation in the text, whichis not available at the output of ASR system.