dc.contributor.advisor	Červa Petr, doc. Ing. Ph.D. :55712	cs
dc.contributor.author	Motejlek, Martin	cs
dc.contributor.referee	Kolorenč Jan, Ing. Ph.D. :66659	cs
dc.date.accessioned	2025-07-14T17:19:10Z
dc.date.available	2025-07-14T17:19:10Z
dc.date.committed	9.5.2025	cs
dc.date.defense	11.6.2025	cs
dc.date.issued	2025-06-11	cs
dc.date.submitted	14.10.2024	cs
dc.description.abstract	Tato práce se zabývá augmentací dat pro systémy automatického rozpoznávání řeči (ASR) typu end-to-end (E2E) s cílem zlepšit metriku word error rate (WER) na vzdálené řeči. Experimenty jsou provedeny na angličtině. ASR systém využívá toolkit WeNet s E2E architekturou s enkodérem typu Conformer. Techniky augmentace jsou laděny na 500 hodinách relativně čistých trénovacích dat. Byly navrženy dvě vlastní metody augmentace. Pro řešení přítomnosti více mluvčích v testovacích datech jsou spojovány trénovacích vzorky. Vyřezávání časových úseků ze spektrogramů (SpecCut) je použito jako další metoda regularizace pro čistá data. Dále jsou provedeny experimenty s regularizačními metodami augmentace předimplementovanými v toolkitu WeNet a metodami simulujícími vzdálenou řeč pomocí přednahraných impulsních odezev místnosti a šumů, pro které je navržena integrace s ostatními metodami. Pro 500hodinový trénovací dataset výsledky ukazují, že technika augmentace kombinující poznatky této práce výrazně a konzistentně překonává WER baseline modelu při testování na různorodých datech obsahujících vzdálenou řeč a zhoršení na čisté řeči je přijatelné. To lze využít pro jazyky se středně velkým množstvím dostupných řečových dat. S navrženou technikou augmentace byl pro zajímavost také natrénován model na 10000 hodinách dat, který je porovnán se systémy třetích stran.	cs
dc.description.abstract	This thesis deals with data augmentation for end-to-end (E2E) automatic speech recognition (ASR) systems with the goal of improving word error rate (WER) on distant speech. Experiments are conducted on English. The ASR system uses the WeNet toolkit with an E2E architecture featuring a Conformer encoder. The augmentation policies are tuned on 500 hours of relatively clean training data. Two custom augmentation methods are proposed. Sample concatenation is used to address the presence of multiple speakers in the test data. Cutting time segments out of spectrograms (SpecCut) acts as an additional regularization method for clean data. In addition, experiments are conducted with regularizing augmentation methods pre-implemented in WeNet, and methods for simulation of distant speech using pre-recorded room impulse responses and noises, for which techniques for integration with other methods are proposed. The results show that for a 500-hour training dataset, an augmentation policy combining the findings of this work significantly and consistently outperforms baseline model WER when tested on a variety of distant-speech data, with acceptable degradation on clean speech. This is applicable for languages with a medium-sized amount of available speech data. The designed policy was, informatively, also applied to training a 10000-hour model, which is compared with third-party systems.	en
dc.format	75 s.	cs
dc.identifier.uri	https://dspace.tul.cz/handle/15240/177331
dc.language.iso	AN	cs
dc.subject	automatické rozpoznávání řeči	cs
dc.subject	augmentace dat	cs
dc.subject	rozpoznávání vzdálené řeči	cs
dc.subject	end-to-end rozpoznávání řeči	cs
dc.subject	WeNet	cs
dc.title	Data Augmentation Methods for Improving Performance of E2E ASR Systems on Distant Speech	cs
dc.title	Data Augmentation Methods for Improving Performance of E2E ASR Systems on Distant Speech	en
dc.type	diplomová práce	cs
local.degree.abbreviation	Navazující	cs
local.identifier.author	M23000123	cs
local.identifier.stag	47823	cs

Data Augmentation Methods for Improving Performance of E2E ASR Systems on Distant Speech

Files

Original bundle

Collections