Dati:
L = vocabolario di termini (parole) wi
W = sequenze di termini (frasi) w1 … wn
O = osservazioni (vettori di parametri) che descrivono la manifestazione acustica dei segnali vocali
si ha che:
dove rappresenta la particolare sequenza di termini corrispondente alla frase pronunciata e che si vuole riconoscere.
Caso base: una dimensione e distribuzione normale
μ: media
σ: deviazione standard
σ2: varianza
Gaussiana a N dimensioni con distribuzione normale
Data una sequenza di N osservazioni X:
dove ogni X è un vettore di k elementi, per ogni coppia a,b di righe di X si può calcolare il termine:
che da origine alla matrice di covarianza cov X:
Stima della probabilità per un evento ot modellato da M gaussiane
1. Introduzione al corso. Le tecnologie vocali: stato dell'arte e la situazione in Italia
2. Cenni di fonetica articolatoria
3. Digital signal processing applicazioni al segnale vocale – parte prima
4. Digital signal processing applicazioni al segnale vocale – parte seconda
5. Digital signal processing applicazioni al segnale vocale – parte terza
6. Analisi spettrografica del segnale vocale
8. Sintesi vocale da testo - parte prima
9. Sintesi vocale da testo - parte seconda
10. Sintesi vocale da testo - parte terza
11. Riconoscimento del parlato - parte prima
1. Introduzione al corso. Le tecnologie vocali: stato dell'arte e la situazione in Italia
2. Cenni di fonetica articolatoria
3. Digital signal processing applicazioni al segnale vocale – parte prima
4. Digital signal processing applicazioni al segnale vocale – parte seconda
5. Digital signal processing applicazioni al segnale vocale – parte terza
6. Analisi spettrografica del segnale vocale
8. Sintesi vocale da testo - parte prima
9. Sintesi vocale da testo - parte seconda
10. Sintesi vocale da testo - parte terza
11. Riconoscimento del parlato - parte prima
12. Riconoscimento del parlato - parte seconda
I podcast del corso sono disponibili anche su iTunesU e tramite Feed RSS.