Verbident beszédfelismerő

1987-ben a BME Távközlési és Telematikai Tanszék kutató gárdája Takács György javaslatára (aki 1986-ban a svéd KTH laborban tett látogatást) a gépi beszédfelismerés kutatásával kezdett foglalkozni. A cél az volt, hogy hétköznapi IBM PC gépen valósuljon meg egy izolált szavas, személyfüggő beszédfelismerő. A kutatást az OMFB támogatta. A rendszer fantázia neve VERBIDENT SD 2 (SD=Speaker Dependent, személy függő). Felépítésének alapvető jellemzője, hogy nem különállóan működő berendezésről van szó, hanem az IBM PC (XT vagy AT) típusú személyi számítógép egy digitális jelfeldolgozó kártyával együttműködve végzi a beszédfelismerést. Szótárszerkesztő program is tartozik a gépi beszédfelismerőhöz, amellyel a felhasználó tetszése szerinti szótárat szerkeszthet és azt mágneslemezen tárolhatja. A felismerő csak a betanító személy által a szótárba felmondott szavakat képes felismerni. Több személy is használhatta, de minden felhasználónak kellett egy saját hangú szótárt készítenie.

A kutatás eredményéről a Híradástechnika folyóirat 1988. 3. számában számoltak be a kutatók. A teljes cikk itt olvasható.

Ezen kutatási eredményeknek volt köszönhető, hogy 1989-ben Takács Györgyöt 1 évre meghívták a KTH-be Svédországba vendég kutatónak, ahol tovább folytatta beszédfelismerési kutatásait és svéd nyelvre is létrehozott beszédfelismerőt.

Magyar-Svéd beszédfelismerő

A Stockholmi Műszaki Egyetem „Speech, Music and Hearing” tanszékén (KTH) vendégkutató volt Takács György 1989-90-ben. Kidolgozott egy neurális hálózaton alapuló fonéma felismerő rendszert svéd és magyar folyamatos beszédre. A neurális hálózat három részből állt: először alapvető fonetikai jellemzőket határozott meg (zöngés/zöngétlen, nazális/nem nazális stb.), majd egy következő hálózatrész a teljes fonéma készletre adott jelöltet. A hálózat kimenő intenzitása jelezte, hogy mennyire biztos a döntés a fonéma jelöltre és adott második, harmadik jelöltet is. A fonéma határokat egy külön hálózat jelezte. Ez a megoldás a manapság népszerű és sikeres „deep learning” egyfajta előképének tekinthető.

Az erről szóló tanulmány teljes terjedelmében itt olvasható angol nyelven.