Adapter le vocabulaire d'un système de transcription automatique de la parole aux thèmes abordés
Abstract
Pour accéder à la sémantique de documents multimédias (flux de TV, vidéos), nous utilisons des systèmes de reconnaissance de la parole qui produisent un texte correspondant à ce qui a été prononcé. Ces systèmes fonctionnent, entre autres, grâce à un vocabulaire contenant l'ensemble figé des mots qu'ils peuvent reconnaître, et à un modèle de langue regroupant les probabilités de succession des mots du vocabulaire. Bien qu'en règle générale les transcriptions ainsi obtenues soient fiables, ces systèmes ne sont pas spécialisés pour des thèmes bien précis (le sport, la guerre en Irak, etc.), ce qui conduit à des erreurs de transcription des termes spécifiques aux thèmes. Une adaptation thématique du modèle de langue et du vocabulaire est donc nécessaire. C'est sur ce dernier point que porte le stage. En effet, il s'agit de sélectionner les mots absents des transcriptions. Une solution immédiate consiste à sélectionner, dans un ensemble de textes traitant du thème d'une transcription (corpus d'adaptation), tous les mots absents du vocabulaire et à les ajouter au système. Cette méthode n'est pas satisfaisante car elle peut conduire à un afflux de mots, sans intérêt réel et dégradant éventuellement les performances du système. Ainsi, pour éviter ces problèmes, deux méthodes de filtrage, l'une phonétique et l'autre grammaticale, ont été mises en place et permettent de récupérer, pour une transcription, 63.6% des mots manquants sur les 50% possibles de retrouver dans des corpus d'adaptation. Un second objectif est donc d'augmenter le nombre de mots récupérables en se basant sur les racines morphologiques des mots présents dans les transcriptions.
Loading...