Технология распознавания речи группы ЦРТ стала лучшей на конкурсе CHiME

Конкурс международный. Он проводится раз в два года и с каждым разом задания становятся более сложными.

На CHiME-5 конкурсанты решали так называемую cocktail party problem — распознавание спонтанной речи, когда в шумной обстановке говорит несколько людей. Этот блок требовал работы с сегментированной (уже выделенной) речью. Тогда ЦРТ стал третьим.

На CHiME-6 конкурсантам было предложено решить аналогичную проблему, но работая с несегментированной речью. Записи были сделаны на 20 ужинах на настоящих вечеринках, где люди готовили, ели, мыли посуду, общались, шутили и смеялись. Там была одновременно речь 2-4 человек и шум — звон приборов, льющаяся из крана вода, гул кондиционера, шаги, смех.

Цель конкурса состояла в том, чтобы создать систему распознавания, которая «прослушает» записи и выдаст полную расшифровку с наименьшим количеством ошибок.

Для решения задачи ЦРТ разработал алгоритм выделения речевых сегментов для каждого из дикторов, а также комплекс из нескольких нейронных сетей, различающий разных дикторов.