Talebehandling: fra talegenkjenning til stemmeanalyse

Hva er talebehandling?

Talebehandling (speech processing) er databasert analyse, tolkning og syntese av menneskelig tale. Omfatter flere delområder:

• Talegenkjenning (ASR): tale → tekst/kommando. Bruk: diktating, stemmekontroll (smart home, bil), tilgjengeleghet, transkripsjon. Krever akustisk modell (fonemer), språkmodell (sannsynlighet for ordsekvenser), ofte talerjustering (enrolment) for nøyaktighet.
• Talergjenkjenning: hvem snakker? Biometrisk identifisering (sikkerhet, forensikk). Basert på stemmetimbre, artikulasjonsvaner.
• Talergjenkjenning (speaker-dependent ASR): kombinasjon – system trenger på bestemt taler for høy nøyaktighet.
• Stemmeanalyse: ikke lingvistisk innhold, men akustiske egenskaper: jitter, shimmer, harmonics-to-noise ratio, formanter, prosodi. Bruk: diagnostikk av stemmebåndpatologi (knuter, polyper, parese), psykisk tilstand (depresjon, stress), løyendetektor (kontroversielt).
• Talesyntese (TTS): tekst → tale. Moderne: neural TTS (WaveNet, Tacotron) – naturlig prosodi.

Utfordringer

Støy, dialekt, aksent, overlappende talere, kontekstavhengighet, lavressursenheter (embedded). Etiske spørsmål: overvåking, personvern, bias (kjønn, etnisitet, alder).