Please use this identifier to cite or link to this item: http://repositorio.ufc.br/handle/riufc/73941
Type: TCC
Title: Um estudo de caso do modelo de reconhecimento de voz whisper para transcrição de conferências tedx via aprendizado fraco
Authors: Rabelo, Liomar Renner Araujo
Advisor: Aragão, Francisco Erivelton Fernandes de
Keywords: Inteligência artificial;Aprendizagem profunda;Reconhecimento automático da voz
Issue Date: 2022
Citation: RABELO, Liomar Renner Araujo. Um estudo de caso do modelo de reconhecimento de voz whisper para transcrição de conferências tedx via aprendizado fraco. 2022. 36 f. Trabalho de Conclusão de Curso (Graduação em Engenharia de Software)-Universidade Federal do Ceará, Campus de Quixadá, Quixadá, 2022.
Abstract in Brazilian Portuguese: Modelos de aprendizado de máquina para tarefas de reconhecimento de voz são geralmente treinados com aprendizado não supervisionado, devido a dificuldade de coletar dados rotulados de alta qualidade. O modelo de reconhecimento de voz multitarefa e multilinguagem chamado Whisper nos fornece a possibilidade de utilizar gratuitamente um modelo estado-da-arte na área de processamento de linguagem natural. A grande inovação deste modelo foi utilizar Aprendizado supervisionado fraco, misturando uma grande quantidade de dados rotulados e não rotulados, com um alto grau de diversidade de conteúdo, demonstrando que Aprendizado supervisionado fraco pode performar no mesmo nível que outros modelos estado-da-arte. Foi estudado as capacidades de reconhecimento de voz e transcrição para texto na língua portuguesa, do modelo Whisper ao aplicarmos o dataset Multilingual TEDx que contém mais de 150 horas de áudio de alta qualidade no formato .flac e totalmente na língua portuguesa, além das transcrições dos mesmos áudios no formato .vtt. Conseguimos observar uma taxa de erro abaixo de 1, utilizando a métrica Word Error Rate, flutuando entre 0.3 e 0.7, essa taxa demonstra que o modelo consegue quando exposto a entradas pequenas ter uma taxa de erro abaixo do registrado no treinamento quando exposto a entradas maiores.
Abstract: Machine learning models for speech recognition tasks are often trained with unsupervised learning because of the difficulty of collecting high-quality labeled data. The multitasking and multilingual speech recognition model called Whisper gave us the possibility to use a state-of-art model in the area of natural language processing for free. The great innovation of this model was to use weak learning, mixing a large amount of labeled data and unlabeled data, with a high degree of content diversity, demonstrating that weak learning can perform at the same level as other state-of-art models. The Whisper model’s voice recognition and transcription-to-text capabilities in Portuguese were studied by applying the Multilingual TEDx dataset, which contains more than 150 hours of high-quality audio in .flac format and entirely in Portuguese, in addition to their transcripts audios in .vtt format. We were able to observe an error rate below 1, using the Word Error Rate metric, fluctuating between 0.3 and 0.7. This rate demonstrates that the model can, when exposed to small inputs, have an error rate below that recorded in training when exposed to larger inputs.
URI: http://www.repositorio.ufc.br/handle/riufc/73941
Appears in Collections:ENGENHARIA DE SOFTWARE - QUIXADÁ - TCC

Files in This Item:
File Description SizeFormat 
2022_tcc_lrarabelo.pdf854,75 kBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.