Automatický přepis řeči pro česká nářečí

Abstract

Táto práca sa zaoberá procesom transforácie existujúceho archívu českých nárečí do vylepšeného datasetu. Práca zahŕňa sanitizáciu textu, zarovnanie dát pomocou nástroja NeMo Force Aligner a nastrihanie nahrávok na segmenty s dialektologickým prepisom. Tento dataset je pripravený na trénovanie modelov automatického rozpoznávania reči. Práca sa taktiež zaoberá adaptáciou modelu Whisper medium na českých nárečiach. S použitím 10 hodín zvukových záznamov bolo možné znížiť hodnotu Word Error Rate zo 75\% na 46\%. Táto bakalárska práce je súčasťou projektu JaMap, ktorý je zameraný na podporu aplikovaného výzkumu národnej a kultúrnej identity regiónov Českej republiky a metódy strojového učenia potrebné pre zachovanie českých nárečí. Tento projekt je súčasťou programu Ministerstva kultúry Českej republiky na podporu aplikovaného výskumu národnej a kultúrnej identity.

This thesis explores the transformation of an existing archive of Czech dialect recordings into an improved dataset. The work includes text sanitization, text alignment using the NeMo Force Aligner, and cutting the recordings into clips with dialectological transcription. This dataset is ready for training automatic speech recognition models. This work also includes adapting the Whisper medium model on Czech dialects. Word Error Rate was improved from 75\% to 46\% by using only 10 hours of audio. This thesis contributes to the JaMap project, focused on linguistic memory of the regions of the Czech Republic and machine learning methods for preserving, documenting, and presenting Czech dialects. The project is part of a program to support applied research in national and cultural identity by the Ministry of Culture of the Czech Republic.