Vrednovanje jezičnog alata za transkripciju govora: ParlaSpeech-HR ASR model

diplomski rad

• Naslov (engleski): Evaluation of a Language Tool for Speech Transcription: ParlaSpeech-HR ASR Model
• Autor: Ivan Porupski
• Mentor: Božo Bekavac (mentor)
• Član povjerenstva: Vanja Štefanec (predsjednik povjerenstva)
• Član povjerenstva: Marko Tadić (član povjerenstva)
• Član povjerenstva: Božo Bekavac (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Filozofski fakultet; (Odsjek za lingvistiku); Zagreb
• Datum i država obrane: 2024-09-16, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: HUMANISTIČKE ZNANOSTI; Filologija; Opće jezikoslovlje (lingvistika)

Sažetak

Ovaj rad fokusira se na vrednovanje jezičnog alata za transkripciju govora koristeći ParlaSpeech-HR ASR model i korpus. ParlaSpeech-HR korpus sadrži 404 tisuće snimki govora iz hrvatskog parlamenta, zajedno s njihovim transkriptima. U radu je korišten wav2vec2 akustični model, dok je kenLM (5-gramski) jezični model izrađen na temelju tekstualnog dijela korpusa. Spojeni su akustični i jezični model kako bi se stvorilo cjelovito ASR (Automatic Speech Recognition) rješenje. Vrednovanje je provedeno na uzorku od 1206 snimki iz govornog korpusa, koristeći metrike WER (Word Error Rate), CER (Character Error Rate) i F1 mjeru. Rezultati su pokazali da kombinirani akustični i jezični model postiže bolje performanse u usporedbi s modelom koji koristi samo akustičke podatke.

Sažetak (engleski)

This paper focuses on the evaluation of a language tool for speech transcription using the ParlaSpeech-HR ASR model and corpus. The ParlaSpeech-HR corpus contains 404 thousand speech recordings from the Croatian parliament, along with their transcripts. The study utilizes the wav2vec2 acoustic model, while a kenLM (5-gram) language model was developed based on the textual part of the corpus. The acoustic and language models were combined to create a comprehensive ASR (Automatic Speech Recognition) solution. Evaluation was performed on a sample of 1206 recordings from the speech corpus, using WER (Word Error Rate), CER (Character Error Rate), and F1 metrics. The results indicate that the combined acoustic and language model achieves better performance compared to the model that uses only acoustic data.

• Ključne riječi: Vrednovanje ASR modela; ParlaSpeech-HR; jezični alat; hrvatski jezik
• Ključne riječi (engleski): ASR model evaluation; ParlaSpeech-HR; language tool; Croatian language
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:131:019095
• Studijski program: Naziv: Lingvistika (dvopredmetni); smjerovi: opći, poredbeni, računalni, primijenjeni, kognitivni; Smjer: računalni; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: magistar/magistra lingvistike (mag. ling.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Otvoreni pristup
• Datum i vrijeme pohrane: 2024-09-22 13:12:22