বাংলা সংক্ষিপ্ত বক্তৃতা

বিশ্বের সবচেয়ে বহুল কথিত ভাষা হওয়া সত্ত্বেও বাংলা ভাষার স্বীকৃতিতে কোন উল্লেখযোগ্য প্রচেষ্টা করা হয়নি। বাক স্বীকৃতি একটি কঠিন কাজ, বিশেষ করে যদি চাহিদা বাস্তব জীবনের গোলমাল পূর্ণ পরিস্থিতিতে করতে হয়। এই গবেষণায়, বাংলা শর্ট স্পিচ কমান্ড ডাটা সেট রিপোর্ট করা হয়েছে, যেখানে সমস্ত নমুনা বাস্তব জীবনের পরিবেশে নেওয়া হয়। তিনটি ভিন্ন কনভোলুশনাল নিউরাল নেটওয়ার্ক (সিএনএন) স্থাপত্য ডিজাইন করা হয়েছে এই সংক্ষিপ্ত বক্তৃতা কমান্ডগুলো চিনতে। মেল-ফ্রিকোয়েন্সি সেপস্ট্রাল কো-এফিসিয়েন্সি (এমএফসিসি) বৈশিষ্ট্য একটি পদ্ধতিতে অডিও ফাইল থেকে নিষ্কাশন করা হয়েছে যখন শুধুমাত্র কাঁচা অডিও ফাইল অন্য সিএনএন স্থাপত্যে ব্যবহার করা হয়েছে। সবশেষে, একটি প্রাক-প্রশিক্ষিত মডেল যা একটি বৃহৎ ইংরেজি শর্ট স্পিচ কমান্ড ডাটা সেট উপর প্রশিক্ষিত বাংলা ডাটা সেট পুনরায় প্রশিক্ষণ দ্বারা সূক্ষ্ম টিউন করা হয়েছে। পরীক্ষামূলক ফলাফল প্রকাশ করে যে এমএফসিসি মডেল বাংলা সংক্ষিপ্ত বক্তৃতা কমান্ড চিনতে ভাল নির্ভুলতা দেখায় যেখানে আশ্চর্যজনকভাবে, কাঁচা অডিও ডাটা উপর ভবিষ্যদ্বাণী মডেল খুব প্রতিযোগিতামূলক. মডেল একক অক্ষর শব্দ সনাক্ত করার দক্ষতা দেখিয়েছে কিন্তু বহু-অক্ষর আদেশ সনাক্ত করতে অসুবিধার সম্মুখীন হয়েছে.