Přepis řeči - ZRE - přednáška 8.

0:00:07	no a se bavili o kódování že jo pokud se nemýlím
0:00:10	a když ste skončili a se na ten na tom slajdu že
0:00:14	se probrali to a tak pro chování se
0:00:18	a teďka vlastně a no tady nazývá jenom jeden slajd _e o to se nebavili
0:00:23	že
0:00:26	jo takže fajn a nazývá jenom říct _e jaké jsou varianty toho vektoru a kvantování
0:00:32	jo my když vlastně máme a _e třeba nějaké N dimenzionální data
0:00:38	a chceme _m pro ty dát _e vlastně najít ty naše nějaké centroidy
0:00:43	vektory na které budeme kvantovat data ležící blízko ni
0:00:48	tak _e to může být docela neefektivní z hlediska
0:00:53	počtu jich operaci jo
0:00:55	takže ní buď můžeme třeba ten velký vektor rozdělit na tři části a ty tři
0:01:00	části zakódovat zvláště tomate napsaná v tom bodě jedna
0:01:04	vzbuď _e nebo z vymyslet jako kdyby nějakou mřížku
0:01:10	nějakém
0:01:12	a transformován prostoru jo ale ta _e ta mřížka potulný vlastně nám vyjde
0:01:20	jakém sem jako nějakým tom prostoru
0:01:24	bude mít
0:01:26	jednu strukturu o tom v našem původně prostoru druhou strukturu ale v podstatě díme kde
0:01:31	se ty bude nacházej
0:01:33	jo takže potom když vlastně bude na porovnávat
0:01:36	_e jednotlivé vektory jak blízko leží nějakých nějakým centroidu _m tak v podstatě nemusím napočítat
0:01:43	pro každý vektor Á pro každý kontroly zvlášť jo
0:01:47	_e ten náhodný codebook to vlastně funguje tak že mi když máme
0:01:53	strašně moc data potom ty data se chovají jaku náhodná dat jo potom ty zvuky
0:02:00	už
0:02:01	nejsou tak dobře třeba vidět a když vybereme ty a
0:02:06	centroidem šum nemůže říkat sestrojeny ale ten ty kvantová vektory kvantování
0:02:12	tak potom v podstatě úplně jedno jaké zvolíme jo
0:02:19	a další úvod toho je když my vlastně děláme to rozdělování prostoru
0:02:26	pomoc algoritmu L P G
0:02:29	tak a jestli si pamatujete my sme měli
0:02:34	nějaké třeba dva zvuky dát
0:02:37	jo a potom na inicializujeme
0:02:41	jeden ten zdroj jo podíváme se a
0:02:47	vlastně jak sou u _e jak jsou rozmístěna ve kterých prostoru
0:02:52	a potom ten centrum _e vzhledem k nějakému určitým největším směrům chtěl datech me rozdělíme
0:02:58	na dvě části
0:03:00	jo a potom začneme posouvat jeden směrem sem a druhým směrem
0:03:05	tam jo když takové zvuku máme více a máme už je z těch centroidu tak
0:03:09	my uděláme
0:03:11	jako kdyby ty a centroidy když rozdělujeme
0:03:16	tak uděláme takovej stromeček
0:03:20	jo stromeček všichni znáte
0:03:23	a už potom a míříme když vlastně tady už budeme dělat další rozdělování tak my
0:03:30	víme že pro tady tydlety data
0:03:34	jenom uděláme počet _e tady tydlety data vlastně služ oni na odpovídá jako kdy B
0:03:39	a A
0:03:41	rodičů těch dalších centroidy jo takže tam už nemůžeme zase nemusíme nic spočítáte a
0:03:48	uděláme míň operaci
0:03:51	no a kdy sme zakódování vlastně udělali tu kvantování a dost kvalitní tak
0:03:58	i uděláme kvantování na dvou úrovně všeho budeme kvantovací tu chybu kterou potom přičtem a
0:04:04	silné
0:04:06	máte k tomu nějaké otázky
0:04:12	je to jasné fajn
0:04:24	tak teďka se budeme vlastně bavit o do další časy
0:04:27	budeme se teďka bavit o tom
0:04:30	jak se top
0:04:31	kódování
0:04:34	používá práci
0:04:47	jste se zatím bavili a obchodování z hlediska
0:04:51	a operace pokud se nemýlím jo takže vy ste
0:04:55	vlastně a
0:04:56	do těch koeficientů nějak zakódování
0:05:00	impulsní odezvu Ú artikulačního traktu
0:05:03	jo
0:05:05	ale moc ste se nebavili o tom já budete přenášet anebo co budete dělat a
0:05:12	z buzením že jo
0:05:14	užijte jak sada
0:05:16	vlastně spočítat
0:05:20	základní no perioda základního tou může jo takže buď můžete
0:05:25	přenést na druhou stranu jenom toto číslo a potom nějaký ten dějin a vygenerovat toho
0:05:30	sekvence impulsů mění ta sekvence impulsů bude
0:05:36	prostě taková nějaká eska
0:05:40	ale vy víte že
0:05:42	_e my když mluvíme tak me skoro nikdy negenerujeme tak pěknou sekvence impulsů lené že
0:05:49	prostě profesionální zpěváci jo
0:05:52	ale většinou tam je teda vždycky tam je Í nějaký šum jo
0:05:57	takže by teoreticky to mělo vypadat mě a prostě
0:06:02	takhle jo
0:06:07	když tam přidáme šum tak bude to vlastně hezčí
0:06:11	jako kdyby
0:06:12	no a dneska se bude mám pálit
0:06:15	trochu tatí o tom
0:06:18	jak může má efektivně zakódovat takovej signál jo totiž na jedné straně rozdělíme řeč
0:06:25	nabuzení a odezvu a potom na druhé straně budeme dělat v podstatě sem té
0:06:33	vy ste se už setkání s dlouhodobým prediktorem jestli se nemýlím že jo ušité se
0:06:39	o tom na nějaké přednášky snad
0:06:42	na nějaké přednášce s nadvlády ten krátkodobě prediktor funguje tak že mi když chceme určit
0:06:48	tady tenhleten vzoreček nepoužijeme většinou deset
0:06:52	předchozí vzor
0:06:53	jo
0:06:54	my vtom hledáme nějaké krátkodobé závislosti
0:07:01	tečkami ten dlouhodobý prediktor budem a aplikovat na nářečí ale budeme aplikovat nabuzení jo
0:07:09	budeme se snažit vlastně
0:07:11	odhadnout
0:07:13	tenhleten vzoreček
0:07:16	toho tomto
0:07:18	jo odpovídá je sou vzorku vzdálenost
0:07:22	vlastně zpožděno ho o jeden lock
0:07:25	jo
0:07:28	_e
0:07:31	když mít teďká postavíme ten
0:07:35	dlouhodobý prediktor
0:07:37	a budeme
0:07:39	tenleten signál
0:07:42	a _e
0:07:43	s tím šuman teda to co mi generuje mahler dle hlasy zklamán
0:07:47	tak mí se budeme snažit ho s ilustrovat tímhletím signálem co si myslíte že poleze
0:07:53	na výstup i teďka se snažíme odfiltrovat dlouhodobou závislost a ta dlouhodobé závislost osum zrovna
0:08:00	tady tydlety impulzy
0:08:02	jo to je
0:08:03	to je závislost mezi vzorky vzdálené my o jeden nula
0:08:08	takže když
0:08:09	budeme todleto filtrovat zase nám na výstup chvíle za nějak a šíp váš osetí chyba
0:08:14	druhého řádu protože je love té analýze a se otec a my sme tady tenhleten
0:08:19	signál považováni za chybový signál jo
0:08:23	pamatujete se to
0:08:25	jak to fungovalo my sme se snažili posta je takový filtr
0:08:29	kterýmu když dáme na vstup nějakou řeč
0:08:34	tak potom dělené něco takovýho
0:08:36	jo
0:08:37	na tenhleten signál mi zase budeme aplikovat dlouhodobý prediktor
0:08:42	který se bude zná je dbali
0:08:44	dlouhodobě závislosti
0:08:46	takže to bude běžících papíry cizího ten jo co to znamená N V licenční zde
0:08:53	zruš
0:08:54	třeba tušíte
0:08:59	ročně jakých filtr se možná může nazývat P říci
0:09:04	tak to co leze
0:09:06	to co daná výstupy by mělo být něco bílé o to že jo
0:09:11	a my sme z řekne že to bude nějaké šum jo to bude chyba nějaký
0:09:15	šum a bude to bílý šum bílý šum je takový šum který má
0:09:20	rovnoměrné spektrum
0:09:22	jo když se podíváte na jeho spektrum tak by to mělo vypadat takhle nějak
0:09:27	všechny frekvence sou zastoupené
0:09:30	vlastně _e
0:09:32	stejně
0:09:33	jo
0:09:38	potom se bude nabalit chvilku o analýze syntézou
0:09:43	to znamená že a me
0:09:46	na tu
0:09:49	a pak řeší routerů budeme se snažit
0:09:54	dát s nějaký signál který by měl vypadat jako
0:09:58	sekvence impulsů jo a jestli výsledná řeči je hezká tak
0:10:03	sme to našli
0:10:05	jo takže budeme se snažit vlastně
0:10:07	syntetizovat řeč
0:10:10	a pokud se nám podaří najít
0:10:13	nějaký takový
0:10:15	hezky signál tak
0:10:17	to je ono
0:10:19	perceptuální C filtr
0:10:22	_e možná ste se už setkat setkali třeba v grafice nebo
0:10:27	eště možná někde _e maskováním
0:10:31	jo nebo měli se nějaký multimédia asi že jo předmětu už měli
0:10:36	teďka máte _e nebavili se tam třeba o maskování
0:10:41	jo to maskování může být vizuálně anebo jako že
0:10:45	toto slyším v podstatě když
0:10:48	hraje něco
0:10:50	na nějaké určité frekvence hlasitě jo tak ono potomstvo toku jim a bude když bysme
0:10:56	třeba měli
0:11:01	teďka se namalujeme nějaké spektrum
0:11:03	a tady bude L hrát
0:11:06	na nějaké určité frekvence velmi hlasy ty
0:11:10	zvuk
0:11:11	jo
0:11:12	ani když tam přidáme
0:11:15	eště něco takovýho tak mi to prostě neuslyšíme
0:11:19	tam existuje nějaký vzoreček já nevím co
0:11:23	a ono to vypadá vlastně takže ste tom trojúhelníčku potom
0:11:27	jo všechno co je menší než ten trojúhelník tak to prostě neslyším
0:11:33	takhle třeba funguje i ta M P trojka že jo prostě my se snažíme tam
0:11:37	zakódovat my se snažíme zachovat jenom tu informaci kterou my je dokážeme třeba jo když
0:11:44	to neslyšíme tak nemám
0:11:46	cenu to přenášet
0:11:48	to some money budeme dělat
0:11:50	vlastně s chybou
0:11:52	jo
0:11:54	když se podíváme na spektrum
0:11:58	řeči
0:11:59	tak tam si pamatuje tam máme takové
0:12:03	ty kopečky že o ty formanty
0:12:06	jo
0:12:07	a když my vlastně teďka tam taky namalujeme spektrum nějaké té chyby
0:12:16	třeba
0:12:18	pak byla to červené class takto naše že by to bude ten bílý šum
0:12:23	jo tak
0:12:24	a prosím vás zkuste měřit co umí uslyšíme co nám bude vadit a to nám
0:12:29	vadit nebude
0:12:31	když pro takové konkrétní
0:12:34	_e rámeček
0:12:35	řeči
0:12:37	i portály má krátkodobý prediktor dlouhodobý prediktor a dostaneme nějakou chybu co že ta červená
0:12:43	čára
0:12:44	jo tak byste měli být schopni teďka
0:12:48	vtom vidět že ta práva čas
0:12:52	todleto tu chybu mitaf podstatě neuslyším
0:12:56	jo
0:12:56	ale tady nám začne vadit na těch vysoký frekvence protože
0:13:00	_e je amplituda vlastně
0:13:04	na tady těhletěch frekvence chytřejší jo
0:13:08	ta ono
0:13:09	potom se podíváme na nějaké konkrétní a
0:13:14	konkrétním úplné
0:13:17	filtry anebo enkou nejspíš
0:13:21	podíváme se na schemas osumnáct jsem to pochopit
0:13:33	mínus todleto sme si
0:13:38	sme si řekli
0:13:47	todleto sme si řekli tady _e taky ale zkusme to za pakovat opakovat todleto je
0:13:52	vlastně naše řeč
0:13:58	jo todleto je naše řeč a ten _e
0:14:01	a u pece todleto je rámeček řeči a auta C vlastně
0:14:06	se snaží odstranit tady tyhlety vzorky jo
0:14:11	to víte a potom vlastně se budeme snažit odstraníte tady todleto necháme v podstatě jenom
0:14:16	tady tenhleten
0:14:18	šum to ztracen šestnácti řekli
0:14:23	a teďka schéma
0:14:26	ano našeho inkou druhá nebo ten náš postup už bude vypadat zase pak takle známý
0:14:32	dvě krabičky vždycky _e Z a potom bude následovat od vezena až potom budeme dělat
0:14:38	kvantování chyby
0:14:40	no
0:14:41	a kvantování
0:14:45	_e zatím jenom tady
0:14:47	zůstaneme
0:14:53	poďme se podívat na a na adresu
0:14:56	syntézou
0:15:01	takže jak to jak to funguje byste mění chápat tady tam net tady todleto schéma
0:15:06	s matkou my máme nějakou
0:15:18	jo měla na tady nějakou řeč
0:15:20	jo
0:15:22	potom todleto bude ten náš perceptuální filtr to na to se zatím nebudeme se zaměřovala
0:15:29	my budeme se podívat sem
0:15:32	kdyby rené nějak _e nějak nějaké to buzení a pokusíme se vygenerovat zase řeč jo
0:15:39	pokud
0:15:40	ta chyba
0:15:42	je malá tak to je ono jo co sme chtěli
0:15:47	takže mě když třeba tady
0:15:49	podíváme se tady bude na nic
0:15:52	třeba
0:15:53	sto možnosti jo X nějak těch možnosti tak podstatě tedy ten cyklus musela zopakovat
0:16:00	oni krát jo i brát to nejlepší co
0:16:04	a buď to nejlepší co tam je a nebo to co nám prostě vyhovuje zatím
0:16:08	měl založit záleží na
0:16:11	nějaké to objektivní funkci
0:16:14	fajn _e co se má moc nelíbí je zrovna tady tenhleten perceptuální filtr
0:16:22	jo který bude jaksi maskovat tu naši sít naše naší chybu
0:16:30	a mít ten filtr budeme chtít nejspíš
0:16:35	prostě přesunout sem
0:16:38	_e nějak ho zkombinovat jisté tímhletím filt říkám potom jo abysme ten filtr vlastně nepoužívá
0:16:45	je sto krát tak vlastně tady se použije jedno no a tady těch prostě stokrát
0:16:50	ale už tam bude zakomponovány toho áčka takže
0:16:54	takže to je po vodě
0:17:23	_e takže vlastně co my budeme chtít já s tím perceptuálním filtrem když se podíváme
0:17:30	na tu z řeči zase tady máme řeči a šípu
0:17:33	jeho řeči to modré
0:17:36	až chyba vlastně ta zelená
0:17:38	takže nám vy vůbec nevadilo teoretický kdyby ta chyba prostí vypadá ale třeba
0:17:44	kdyby zopakovat úvěr
0:17:48	té řeči
0:17:49	jo kdybysme měli takovou chybu tak
0:17:52	tak to je prostě lepšího no
0:17:54	jo
0:17:57	tohleto je zatím ten náš perceptuální filtr tři k
0:18:02	co když
0:18:03	vypadá jako
0:18:07	inverzní filtr které řeči
0:18:09	jo teda ne inverzní filtr ale prostě má to
0:18:13	spektrum které inverzní spektru řeči
0:18:17	ani tečkách vlastně budeme chtít a B a _e
0:18:22	spektrum té naší chybí
0:18:24	vypadalo tadle
0:18:26	akorát aby to mělo menší amplitudy
0:18:29	jo
0:18:30	aby to prostě _m nebylo přesně
0:18:33	úplně po spektrum řeči
0:18:49	nikam perceptuální si okřik tečka nadefinujeme
0:18:55	nijak takle
0:18:59	kde vpodstatě zdůvodníme tomu káma
0:19:03	_e dost
0:19:05	jako teda nedost nízké ale prostě nižší jedničku
0:19:09	což znamená že vlastně
0:19:14	kuli toho áčka o ní se jako kdyby
0:19:18	stáhnou
0:19:19	tak si pamatujete ty jednocyklová jednotkovou kružnici a souvisí utrum
0:19:24	jo
0:19:25	jak se to počítá tak
0:19:27	mně to mám na obrázku mistrům za chvilku
0:19:31	_e za chvilku řečeno řekne moc o tom co to je takže v podstatě tadleta
0:19:35	mstil tři k nám zatím abysme věděli
0:19:37	bude definovat
0:19:39	něco co vypadá
0:19:43	co bude nic spektrum velmi podobné spektrum řeči abysme doklady velmi hezky udělat to maskování
0:19:57	tak _e
0:20:12	jo takže tady vlastně máme jenom znázorněna toto sem napsal i na tom předchozím slajdu
0:20:17	zase máme a
0:20:21	to ve V Z hezky tady a tady ta zelené čára zase nám říká svoje
0:20:28	a nám udává frekvenční charakteristiku toho filtru o jedna děleno
0:20:34	A Z _e děleno
0:20:36	gama
0:20:40	a zatímco ještě tady můžu vám říct o osuš
0:20:52	tady máme to jednotkovou kružnici
0:20:55	jo mně když se podíváme na půli toho filtru jedna děleno A Z
0:21:01	tak to sou tady tydlety co jsou blízko
0:21:06	že ta kružnice
0:21:08	a potom když ještě vynásobíme zetko tou dámou tak ono vlastně se nám posune
0:21:13	posune do středu to znamená že vlastně ty kopečky
0:21:18	potom u té frekvenční charakteristiky vlastně nebo tak vysoká
0:21:22	_e pamatujete si
0:21:25	jak vlastně jak když máte takovou kružnici
0:21:30	přibližně nakreslit
0:21:32	a frekvenční charakteristiku filtru
0:21:35	když tak
0:21:37	takže vám tady todleto nic neříká fajn to je velmi jednoduché jo vlastně ta frekvence
0:21:42	je určena
0:21:44	pohybem po tady tadleta kružnice že jo takže se namalujeme
0:21:49	tady todleto
0:21:50	teďka pro nějakou určitou frekvenci tady budeme chtít spočítat hodnotu
0:21:56	jo takže budeme hezky po tady té kružnice najdeme to vod ono to tady
0:22:02	jo potom se spočítáme
0:22:05	vzdálenosti kempu
0:22:07	že
0:22:09	jo
0:22:11	prostě je spočítáme
0:22:14	přečteme si je
0:22:17	no a potom záznam a jedničku a tím
0:22:20	bysme měli
0:22:22	to asi podělit ale když je to menší než
0:22:29	ne vlastně gilotin tím my sme to měli podělit jo
0:22:33	takže potom tady najdeme nějakou hodnotu no a pokračujeme dále a vlastně takovým způsobem
0:22:41	_e _m bude nám vlastně dělit o jedničku sumu vzdálenosti po otci nějaké určité frekvence
0:22:48	kdyby jsme měli tam eště nuly tak potom těma nohama ještě musíme to vynásobit jo
0:22:53	víte to
0:22:54	dobře
0:23:02	no a proč teda vlastně
0:23:04	když pro _e ty
0:23:07	modré křížky
0:23:09	teda který odpovídá je tomu filtru jedna dělo na _e Z ni když máme ty
0:23:14	kopce takhle nejsou Q
0:23:17	proč pro ten filtr druhý mě máme ty kopce nižší vlastně
0:23:24	jo proč když vlastně pole jestli tomu rozumíte jo tomu postupu velkých chtěli
0:23:29	proč když ty póly posuneme vlastně a
0:23:34	když k té nule
0:23:36	tomu středu kružnice dat proč potom ty kopečky
0:23:41	vlastně spádům
0:23:43	pochopili se co sem říkal X to počítá jo
0:23:46	protože ta vzdálenost přece jen prostě sezdáni čili
0:23:49	fajn to
0:23:57	je teďka vám vůbec nemůžu říct pro oč
0:24:01	ale toto byste se měli zeptat docent řádky a spíš ale
0:24:06	vlastně to kódování buzení me dělám F kráči schránce námětu vůbec nedělám takže
0:24:11	takže proto za nejím a ono se to dělá s kratších rámcích jo
0:24:16	takže _e běžně cvičný používáme rámce
0:24:20	dvacet milisekund seš odpovídá sto šedesáti vzorku pinů pro těch osum tisíc hertz
0:24:26	jo tak to buzení budeme i dělat vlastně s kratších rámci
0:24:35	jak tomu teda moc nerozumím protože i pro mě osobně je to takový trošku divný
0:24:41	protože vy když se
0:24:43	bavili o
0:24:45	odhadu ten
0:24:47	a základní frekvence nějaké
0:24:51	tak tam se říkalo že je třeba
0:24:56	když někdo má
0:24:59	nízkou frekvence ji měl zejména muži
0:25:03	tak vlastně
0:25:04	on ten vás může někdy V těch sto šedesát vzorku že
0:25:10	pamatujete se to
0:25:12	takže i když se nějak nadefinovány že
0:25:15	ty frekvence sou tak nějak úvod padesáti a čtyři tak her jo což znamená že
0:25:21	potom ten svátky a asi takto šedesát a šel nevím kolik
0:25:26	lace
0:25:27	dvacet vzorků pro o tady tudletu konkrétní vzorkovací frekvence že jo
0:25:34	a teďka my budeme chtít
0:25:36	no jasně ono to a se to kódování bod _e těch krátkých ale to ten
0:25:40	odhad se celistvý děláme tím dlouhý a nechci vás má stále rodiče se zeptejte potom
0:25:45	pán sent černocký
0:25:47	nejsou nezeptá při jsem neviděl
0:25:53	a teďka tadle bude vypadat
0:25:57	ten kodér
0:25:58	jo
0:26:02	jak vidíte
0:26:04	tady bude a na nic
0:26:07	stup tady bude řeč
0:26:10	jo
0:26:11	a tady potom polezou nějaké typu asistenti fiktivní chceme počítat ten ty procesy něco si
0:26:17	myslíte že by to mohlo být když co nám vleze vlastně
0:26:21	když to nahráváme jo může přes telefon uděláme nějaký ten tři procesy tak to je
0:26:26	velmi jednoduché to jenom nerozdělíme ten signál na rámce
0:26:31	jo to abyste věděli
0:26:40	teďka prosím vás si nepleťte takové věci jak u _e ze a jedno děleno a
0:26:46	se
0:26:47	jo
0:26:48	protože tady
0:26:53	tady a my děláme analýzu
0:26:57	což znamená dní po stáním _e
0:27:02	filtry inverzní tlumů auta tečou to že jo abys mají jenom
0:27:08	si už
0:27:09	byli jistě že ten filtr funguje dobře abysme dokázali spočítat kouřit centy filtru správně
0:27:16	jo
0:27:17	takže uděláme analýzu uděláme filtrování
0:27:20	fajn
0:27:22	tady vlastně dostaneme ty _e
0:27:26	a vůbec M
0:27:29	pozice entit
0:27:31	_e deme dalo
0:27:36	co bysme mohli dostat vlastně tady
0:27:40	prosím vás jako výstup
0:27:42	tohoto filtru
0:27:55	když to je inverzní filtr tomu L T C filtru a pece filtr hledá koeficienty
0:28:01	proto řeče
0:28:03	takže tady by měl vylézt nějaký ten chybový signál že jo
0:28:08	a ten chybový signál prosím vás tady setrvávali o dvou chybových se k nám jo
0:28:12	takže tenleten chybový signál je co
0:28:18	jak bude vypadat
0:28:27	tak jsem zatímco udělání krátkodobou analýzu odstranili jsme krátkodobé závislosti jo takže nám zbyly dlouhodobé
0:28:36	no takže tadyto vylezem
0:28:39	něco jako tohle že
0:28:42	jo
0:28:43	fajn no a teďka na to budeme
0:28:46	chtít aplikovat
0:28:49	ten dlouhodobý prediktor
0:28:51	jo
0:28:52	takže my vlastně najdeme parametry toho filtru což by mohlo být to
0:29:01	za prvé potřeba vědět co je ten vlak a za druhé nějaký koeficient který bude
0:29:05	násobit
0:29:06	vlastně zpožděny vzorek že
0:29:08	no a uděláme zase filtraci začátku analýzu potom filtraci
0:29:14	a tady vlastně by nám mění alou šíle jestli se nemýlím
0:29:21	nějaký ten
0:29:22	bílý šum
0:29:30	fajn
0:29:36	tady jí bysme měli mít kvantová celý chybový signál
0:29:41	a tady bysme mění dostat
0:29:45	asi
0:29:48	lock
0:29:49	si myslím
0:29:56	fajn _e je to jasné teďka
0:29:59	dobře
0:30:27	tak co tady máme tady jenom jednu scene tu K kódování buzení
0:30:34	a to tak že vlastně a _e míse zakódujeme první vzoreček
0:30:40	a potom jenom uděláme tu adaptivním pulzní kódovou modulaci jestli se nemýlím takhle se tomu
0:30:47	říká že
0:30:49	_e pamatujete si co bylo princip zapnete adaptivní pulsní podle modulaci
0:30:56	tam jestli se nemýlím se pudu jo síly přímo
0:30:59	že jo
0:31:01	já tam se kódovala vlastně chyba
0:31:04	nějaká
0:31:05	jo vy se zakóduje tak první vzorek a potom jenom ne to byla reziduálního
0:31:11	že se
0:31:11	v tom
0:31:14	ne si myslím že to by mohlo být
0:31:17	ono
0:31:26	no a dekodéru užší vypadá zase jednoduše o něco
0:31:30	že v podstatě vezmeme to nám přišlo a sto všeho vygenerujeme
0:31:35	řeč
0:31:36	jo to je
0:31:38	to je docela jasné ta žil uděláme filtry který sou
0:31:43	inverzní
0:31:44	těm který jsme aplikování F částí N code jo
0:31:51	ten postprocessingu tady by mohlo být
0:31:56	zaprvé
0:31:57	spojování jednotlivě chrám jsou
0:32:01	a za druhé eště jel může by tam nějaké vyhlazení jo protože
0:32:07	přece jen nějaký rozdíl mezi dvěma _e rámci bude
0:32:11	a když tam nebylo nějaké takovéto trhání nebo vloupání k tomu říkat
0:32:16	tak _e
0:32:17	tak se to prostě když mládí
0:32:37	no něco takovýho si myslím že sme push
0:32:41	užší viděli
0:32:53	akorát s jedním rozdílem tak dívám že
0:32:59	_e
0:33:00	jak sadismem úměrný
0:33:06	nějaké
0:33:07	kódování
0:33:09	která _e
0:33:13	toho buzení a ale teďka nebudem ani
0:33:18	zase
0:33:21	nějaký
0:33:23	koutků k ale _m
0:33:30	ale to jsme se už všechno asi
0:33:32	řeknu
0:33:34	jako dat nechápu proč to mám
0:33:39	nadvakrát
0:33:56	_e
0:34:00	co nás bude teďka zajímat my vlastně a když _e ten perceptuální filtr
0:34:10	mýho přehodíme sem _e taky sem
0:34:14	tak potom se to bude zapisovat
0:34:18	trošku jinak místo toho áčka teďka máma a hvězdička
0:34:25	a teďka už to nebude a po něm
0:34:29	přesně _e
0:34:31	ten a o pece jak sme sáního zvykli že ten si pamatuje vlastně jenom předchozích
0:34:36	deset vzorků
0:34:38	jo
0:34:38	ale tendleten filtr bude mít
0:34:42	delší impulsní ode
0:34:45	ani se budeme chtít podívat na nějaké
0:34:50	vzorečky
0:34:53	trošičku je to takové _m
0:34:55	zmatené kromě aspoň
0:35:02	my se to budeme snažit oddělit
0:35:05	my se budeme
0:35:06	teďka snažit vlastně tu impulsní odezvu hatí rozdělit na dvě části
0:35:13	která odpovídá a k tomu
0:35:17	čeho my počítáme současný vzorek
0:35:20	a něco co se tam objevilo dětí tomu perceptuální filtrů
0:35:34	poněvadž starší ba by měla být vlastně teďka
0:35:42	nějaká bývá tak _e
0:35:46	tadleta část se dá spočítat
0:35:50	jenom jednou
0:35:52	a potom budeme pracovat
0:35:54	nadále uvažovat jenom tuhletu část
0:36:01	a co eště tady
0:36:17	já se obávám sionistům asi neřeknu
0:36:22	protože
0:36:24	jsem to nikdy samo nedělá
0:36:34	a já si myslím že já nejspíše radši poprosím pana docenta černockého aby vám to
0:36:40	vysvětlil
0:36:42	když tak on
0:36:44	jo že se to poznamenám
0:36:49	ale slovní teďka můžeme dělá smí teďka se ještě radši podíváme na
0:36:56	rozpoznávání řeči
0:36:58	jo
0:37:05	sestav ponesete že
0:37:07	no sem
0:37:29	takže po rozpoznávání řeči jste se bavili teďká jenom takhle hodně omezeně těch nějakých příkladech
0:37:36	něco mám pan docent černocký řekl zmínil se
0:37:39	a teďka budeme se chtít podívat na jednom etudu
0:37:43	ten _e se v podstatě nepoužívá jo protože _e mít teďka používáme metody které jsou
0:37:49	komplexnější jo ale je to velmi dobrý základ o pochopit abyste si uvědomili vlastně ste
0:37:56	své hladině
0:37:58	_e jak byste to dělají sami jo abyste se
0:38:02	pro pěti vlastně
0:38:03	jo cítili sem to do té úlohy
0:38:09	takže jel
0:38:11	úplně na té první přednášce jste si říkali že
0:38:15	rozpoznávání řeči se může
0:38:20	rozdělit na tři nějakého
0:38:24	úlohy
0:38:25	jo
0:38:25	za prvé se můžou rozpoznávat izolovaná slova že
0:38:30	to je prostě třeba _e animistů dřevo a tak dále jo prostě slovo máme pauzu
0:38:37	slovo ptal na
0:38:39	potom a se můžou rozpoznávat
0:38:45	u jedné slova
0:38:47	kde ní máme
0:38:49	jako kdyby omezeny nějaký slovník ale ty slova můžou být za sebou třeba
0:38:55	nějaké
0:38:56	číslice číslovky
0:39:00	čísla
0:39:00	jo
0:39:01	prostě řeknete jedna dva tři když třeba
0:39:04	se snažit no se snažit _e zadá to číslo tím hlasem jeho do telefonu tak
0:39:10	to je ono
0:39:12	to první toho sou vlastně ty s marchal se s některé jo a nebo prostě
0:39:16	třeba nějakých počítačových hrách se to může obdivovat já nevím jestli to se objevuje a
0:39:22	nebo je to jenom
0:39:24	X Y imaginární a
0:39:27	záležitost
0:39:29	a potom nejtěžší co se může
0:39:34	udělá tak to je rozpoznávání řeči spojené řeči s velkým slovníkem
0:39:40	jo
0:39:41	teďka ni můžeme si říct že a ta řeč bude odpovídat nějaké určitě určité doméně
0:39:49	třeba já nevím to asi to asi je zveřejněn _e že tady tydlety přednášky si
0:39:54	myslím že s ním můžete vyhledávacího na internetu
0:39:57	nějaký ten přednáškový
0:39:59	vyhledávač takže tam vlastně se použije třeba slovník který je hodně omezený jo
0:40:06	a tady tyhle ten přednáška se trošku
0:40:08	bavíme o matematice je něco o řeči furt dokola to tam
0:40:13	jo nebavíme se odpojíte C nebo
0:40:16	nebo něco takovýho
0:40:19	a nebo vlastně ten slovník může být
0:40:21	jako kdyby neomezený úplně
0:40:24	jo
0:40:25	_e pan docent černocký vám už asi říkal jak takový rozpoznávač ten největší nejsložitější jak
0:40:33	moc dobře funguje si se to pamatujete
0:40:38	jak moc dobře
0:40:40	to dokáže tu řeč skutečně rozpozná tak aby sme měli třeba
0:40:45	a řekneme
0:40:47	prostě podslovo je
0:40:49	správné úplně anebo úplně nesprávné když to budeme klasifikovat takhle
0:40:54	tak každé páté slovo teoreticky by bylo špatně
0:40:58	jo
0:40:59	task takže prosím děláme myslím
0:41:04	_e proč je to tak složité pamatujete si na nějaké faktory který to
0:41:12	prostě _e
0:41:13	který nám nedokážou
0:41:15	vlastně nedovolí
0:41:17	to rozpozná dobře proč to co je co je tady tak špatně děláme to prostě
0:41:22	máme třeba programy který dělají chybí anebo tam
0:41:27	problém je na jedné straně někde co si myslíte co je špatně proč to rozpoznávání
0:41:32	řeči nefunguje tak dobře
0:41:39	jenom co vás napadá
0:41:44	tak zaprvé každý můžeme jinak že
0:41:48	za druhé tam může být nějaký šum
0:41:51	jo
0:41:52	takže musíte vždycky prostě když se vás někdo zapsána něco takovýho musite hned prostě aspoň
0:41:57	něco vymyslet
0:42:00	a když to chce tady řešit tak musíte vědět co řešit
0:42:03	jo
0:42:04	takže vlastně nejvíc nám bude pádit
0:42:08	ta variabilita jo že mě i vlastně když
0:42:12	jednoho člověka konkrétního poprosím a aby nahrál stejné slovo desetkrát a pokaždé to řekne jinak
0:42:18	trochu ale jinak
0:42:20	jo
0:42:20	a když my budeme třeba ani
0:42:23	_e v databázi vhodně mluvčích
0:42:27	každé pohlaví potom já nevím
0:42:30	každý jako různé a přízvuky jiná řeči a tak dále a potom přijde někdo kdo
0:42:37	má třeba vadu řeči tak zase to nedokážu moc dobře
0:42:41	rozpoznat jo
0:42:44	a navíc _e
0:42:47	třeba když se podíváte na tu výslovnost čistě výslovnost tak
0:42:52	máte třeba spisovnou češtinu a prostě jak samově tady jak se mu je prázdné a
0:42:57	tak dále a tak dál jo
0:42:59	a někdy třeba odvažte angličtině tak
0:43:04	ta brick ambici na nebo ten snad mladých lidí prostě
0:43:10	tak to slovo změní že prostě bude zní potom jako něco úplně jiného co existuje
0:43:15	ale není to ono jo
0:43:18	a tak dál
0:43:27	to schéma tady by mohlo vypadat nějak taková
0:43:32	samozřejmě ono to je ono komplikovanější jo
0:43:36	není to jenom není jenom tak jednoduše ale míse teďka zaměříme jenom na tohle
0:43:42	takže sám a support
0:43:44	takže _e vezmeme nějakou řeč
0:43:48	jo
0:43:50	teďka si asi myslíš kdy sme měli nadefinovat nějaký nejjednodušší unk u teďka budeme chtít
0:43:56	třeba rok po rozpoznává
0:43:59	_e jestli slovo které sme na dostali v nějaké nahrávce odpovídá tomu slovo které je
0:44:05	snaha se kterou když mám jo máme dvě nahrávky
0:44:08	a chceme zjistit zdali chtěl dvou nahrávka máme stejné slovo a nebo ne
0:44:14	jo
0:44:16	vezmeme ta slovo každé z nich každou nahrávku ve zná rozsekán rámečky
0:44:21	a potom budeme chtít se podívat
0:44:25	jak voni sou si akustický podobný
0:44:29	jo
0:44:30	mohli bysme samozřejmě udělat nějaké to spektrum a podívat se jak to vypadá ve spektru
0:44:36	ale ta bude to dělat nebudeme
0:44:43	a budeme dělat jenom zatím tohleto
0:44:47	to dekódování tady to je prosím vás pozor něco úplně jiného než to o čem
0:44:51	sme se bavili vpřípadě
0:44:54	_e kódování pro telefony třeba jo
0:44:58	tady to je něco jiného
0:45:00	protože to slovo vlastně nemůže mám buď rizik celé
0:45:05	jo třeba ahoj může mezi celé slovo
0:45:08	ani nebo
0:45:10	namodelovat když bude na používat nějaké modely a nebo můžeme do slovo rozsekat
0:45:16	na úsilí na takzvané ty slabiky
0:45:19	jo
0:45:21	a nebo třeba i na nějaké konkrétní fonémy
0:45:26	kde se s panem
0:45:28	to je von _e
0:45:36	honem není písmeno
0:45:38	jo ale jaký je tam rozdíl mezi písmenama foném
0:45:45	řekli sme no to je to vypíšeme že
0:45:48	a má to prostě nějaký název
0:45:52	a tak ale foném to je
0:45:55	podstatě nejmenší čase řeči
0:45:58	která mění význam jo to je ten zvuk
0:46:01	jo třeba všichni častokrát
0:46:03	písmenko a foném oni se odpovídá já sem vám když jeho francouzští je taktu škube
0:46:08	jo
0:46:09	no to se nepleťte
0:46:11	takže my můžeme buď třeba to slovo rozdělit na nějaké ty slabiky a pro každou
0:46:15	sladit natrénovat zvláštní model
0:46:18	jo a to dekódování to je potom jako kdyby sled chování
0:46:22	jo
0:46:23	toho dohromady
0:46:25	podle toho co je tam pravděpodobné takže my nerozpoznáme celé slovo ale části toho slova
0:46:30	potom to tak nějak ještě na letíme dohromady
0:46:33	ale to se používá když máme prostě velký slovník jo máme hodně slov a tak
0:46:38	dál to jedno slovo se to bude po už
0:46:45	teďka a se zaparkovat vlastně
0:46:48	to _e se dělá jako parametrizace teďka máme rámečky řeči
0:46:54	a budeme chtít
0:46:56	dát parametrizace tak co to je to zaprvé
0:46:59	vy vlastně a ste řeči chceme
0:47:03	dostát jenom to co my potřebujeme
0:47:05	jo protože vidíte že řeči je velmi redundantní proč
0:47:10	pamatujete se to
0:47:15	co
0:47:18	noc protože tam není jenom to co my vlastně chce mezi
0:47:22	ale je to jak to chce mezi Q šunky to mají úplně
0:47:26	zvrhle rizika jedno ale myslím si že
0:47:30	_e
0:47:31	prostě _e o nějaká ta nálada a tak dále a tak dále že
0:47:39	když nám někdo řekne
0:47:41	ne ale myslím že jo tak
0:47:43	bůhvíco
0:47:45	no a
0:47:46	potom a nejvíce používá ne parametry to sou ty
0:47:52	buď L P cca anebo M S C
0:47:58	pamatujete si jak se to dělá nebo mám vám to trošku zopakovat co byly ty
0:48:03	M S C třeba
0:48:06	a na to jestli se to
0:48:07	no vlastně to sou V se s tím cat kterém že
0:48:12	my sme
0:48:14	se _m o co se tam snažíme
0:48:17	vlastněni těch M S C se necháme třináct prvních
0:48:22	jo třináct nebo dvacet většinou
0:48:25	tak se to
0:48:26	buď třináct a nebo dvacet
0:48:29	jo někdo používá třeba patnáct ale to je takový že
0:48:32	prostě třeba když nějaká laboratoř používá třináct tak budou používat třináct
0:48:37	až třeba zapadlé zkusit dvacet a pro _m říct že dvacet je lepší
0:48:41	jo na některých úloha prostě je lepší používat oněch na některých projektech o je lepší
0:48:46	používat
0:48:48	jiné číslo protože
0:48:50	tom modelování tě zda
0:48:53	a obecně tu rozpoznávání tam _e
0:48:57	se používá _e úplně různé metody a ty metody se potom soustředí
0:49:02	na I
0:49:04	jinou informaci která je v podstatě včer dáte jo takže proto
0:49:10	_e máme řiť
0:49:13	dívejte se
0:49:15	máme prostě nějakou tu řeč jo
0:49:18	děláme s toho spektrum
0:49:21	to spektrum bude vypadat takle
0:49:27	proč to spektrum vypadá takhle protože tady ní máme
0:49:32	in pózy a máme
0:49:35	jakou _e impulsní odezvu ta impulsní odezvu rezonanční frekvence nástupce jo
0:49:41	tým pouze to co dělá dělali naši hlasivky
0:49:45	_e
0:49:46	takže to je ono
0:49:48	tady je operace fondů C
0:49:50	že
0:49:51	pamatujete se to jo
0:49:54	to je svá
0:49:56	čase
0:49:58	to je čas
0:49:59	když se budeme podívám do frekvence
0:50:04	tak _e to co odpovědná tomuhle
0:50:07	tak to bude ta naše obálka my říkáme to
0:50:11	jo
0:50:12	ta on
0:50:15	_e kopečky to sou ty naše formanty
0:50:17	jo
0:50:18	a potom tají chle kterých lomnice se složka tu a je _e
0:50:25	to jsou harmonické základní frekvence jo my když uděláme teďka
0:50:32	sekvenčně analýzu těch impulzů tak bysme teoreticky
0:50:36	někdy to stát s něco jako
0:50:41	tohle
0:50:42	jo
0:50:44	ani ty a když poněvadž děláme tady
0:50:48	konvoluci která mi to nedělá no slída ano
0:50:52	takže je ve spektru umí uděláme násobení
0:50:56	tohohle a té modré čaj tady
0:50:59	jo
0:51:00	a potom dostaneme to černé to je vlastně spektrum řeči
0:51:05	ní teďka co budeme chtít udělat
0:51:08	tak to ji a _e _m
0:51:11	dosah toho jenom tu obal
0:51:15	a teoreticky buďto můžeme prostě tíhla nic nějak
0:51:19	jo
0:51:20	udělat třeba
0:51:22	já nevím
0:51:23	_e
0:51:26	jako interpolace nebo něco ale nebude to vůbec ono
0:51:30	jo takže takhle to nemůže udělat
0:51:32	my to uděláme
0:51:34	i teďka vezmeme a _e druhou mocninu toho černého
0:51:40	jo
0:51:42	o tom vezmeme logaritmus to
0:51:45	proč pro děláme tam
0:51:47	proč tam aplikovaná logaritmus
0:51:54	protože je
0:51:56	když tohle je spektrum impulzu
0:51:59	a tohle je spektrum potom
0:52:04	impulsní odezvy jo tak mi je násobíme
0:52:08	jo
0:52:10	a když na to celé
0:52:12	aplikujeme logaritmus tak to je prostě třeba
0:52:18	blok C bude vlastně
0:52:22	log _e tu
0:52:24	blok
0:52:26	ve že jo to si pamatujete
0:52:28	jo takže vlastně aplikujeme _e
0:52:32	ten logaritmus a inverzní
0:52:34	fourierovu transformaci
0:52:37	jo a tím pádem i potom dostaneme
0:52:41	se bude takle čára
0:52:42	a tady něco jako
0:52:45	tohle malé koeficientíky ni řekneme že prvních třicet
0:52:52	to sou nízké frekvence vtom spektrum jo takže my teďka vlastně
0:52:58	tenleten obrázek
0:52:59	nám říká jaké sou frekvence ve spektru
0:53:03	ale jako ne ve spektru jako že tady
0:53:06	jo a ve spektru prostě co obsahuje tak černé čára
0:53:11	jo
0:53:13	ta modrá ona vlastně odpovědná těm prvním při třetí a osy centrum centrální
0:53:20	a ten zbytek to už budou potom tužky mělo být todleto jo
0:53:26	že právě proto mi ve nám to ní třináct nebo dvacet abysme
0:53:30	zakódování jenom to obal
0:53:32	fajn
0:53:34	_e ty M S C co tam prostě je to M S chcete tom melfrekvenční
0:53:40	to je
0:53:41	toho že je lidi slyší na
0:53:44	že jo
0:53:46	lidi mají lepší rozlišení pro nízké frekvence
0:53:50	jo a to samé že
0:53:52	lidi mají lepší rozlišení pro _e
0:53:57	jo pro nízké frekvence
0:53:58	dobře
0:54:00	_e
0:54:03	že tam se asi po ještě taková ta banka trojúhelníkových intrech nepamatujete dobře fajn
0:54:08	super
0:54:12	_m
0:54:17	no a ty L T C to si pamatujete že vlastně tam se to kepstrum
0:54:21	dělalo s toho L pece a nesolí rovky jo
0:54:26	dobře
0:54:30	co je tohle
0:54:36	to vlastně jak vypadají parametry jenom
0:54:39	je sice není _m
0:54:42	která barva odpovídá vlastně světla a nebo
0:54:47	jo ta světlá to je jako že hodně
0:54:50	vysoká amplituda apod máme nejspíš nízká amplituda jeho rozdělíme neřeš to rámečku
0:54:57	a ukážeme si některé parametry takhle
0:55:01	_e
0:55:13	ty čekám
0:55:16	budeme
0:55:19	budeme
0:55:23	se chtít zaměřit na dvě metody dneska budeme dělat o měření vzdálenosti
0:55:29	a příště tím snad budete dělat statistická modelování jo tome dolování jeho mnoho těžší mise
0:55:37	dneska zaměříme jenom na to ptal na tu zdálo
0:55:44	_e takže ono to bude vypadat
0:55:46	intel
0:55:48	nějak takhle
0:55:49	dívejte se
0:55:51	my máme třeba
0:55:53	nějaké tří a _e
0:55:57	třídy
0:55:58	jo
0:56:01	prostě třída jedna
0:56:04	přidat je přidat či no a přijde testovat se vektor
0:56:08	a samozřejmě ten by měl patřit třídě která je
0:56:13	nám blíž jo samozřejmě ono to práce není úplně takhle protože
0:56:18	tam sou nějaké ty variability stejně
0:56:22	těch parametr která je potom
0:56:25	když odstraníme tak můžeme zjistit že vlastně tenleten vektor opatři se
0:56:30	jo ale o tom se budete balit cache
0:56:32	až někdy jindy
0:56:36	je tam obrázek vám jasný
0:56:39	jo vlastnění máme teďka momentálně z nějakého rámce
0:56:45	dvě čísla
0:56:46	jo parametrů takto parametrů prostě dvou dimenzi
0:56:50	to je jedna dimenze toho parametru to je prostě druhá dimenze tou parametrů jo
0:56:57	a to je prostor naščítat
0:57:00	fajn
0:57:07	to bylo jednoduché měření vzdálenosti
0:57:11	a teďka o tady tomletom se bude ta bavit
0:57:15	eště někdy jindy
0:57:16	představte si že mít teďka zase máme tří _e třídy
0:57:22	jo
0:57:24	ale ty třídy nejsou určené jenom jedním bodem nějakým centrem
0:57:30	ten bod bude někde tady na kopečka
0:57:34	jo
0:57:37	ale tam je ještě je nějaká pravděpodobnost kolem tu o
0:57:43	že data
0:57:45	tam patři
0:57:46	jo
0:57:48	_e když se podíváte ty kopečky oni se překrývá oni jsou nekonečně široké jo tadle
0:57:55	prostě se pláty úplně všude
0:57:58	ale tady máte namalováno je
0:58:01	namalován jenom
0:58:04	prostě ten kopeček terry víš jo právě proto je to tak hezky spojujete ale vidíte
0:58:08	že tady sou nějaké
0:58:10	_e hranice tam jo
0:58:13	ale přece jen ono zandá pokračuje jenže prostě tady vidíte trochu
0:58:18	jo
0:58:21	teďka
0:58:22	vlastně jen
0:58:24	my se budeme dívat
0:58:27	a tu červenou tečkou náš testovat se vektor
0:58:32	_e
0:58:36	jak moc vysoko on se vlastně nachází protože to je ta pravděpodobnost jo jak moc
0:58:41	vysoko to vlastně nám určuje to teda to není pravděpodobnost ale to nám určuje pravděpodobnost
0:58:47	ono se to může stát že třeba cache já namaluju
0:58:53	něco o to je
0:58:54	to sou dvoudimenzionálně gaussovky prosím vás i když prostě jděte přijde
0:58:59	jo parametry těch gaussovek vlastně s tou
0:59:04	někde tady
0:59:05	jo
0:59:07	_e to jak je to vysokou otouš spojené pravděpodobnost prosím neplést to je dvoudimenzionální kauzu
0:59:14	jedné dimenze to by mohlo vypadat prostě
0:59:19	takhle že máme jednu
0:59:22	a máme druhou
0:59:23	jo
0:59:24	přijde nám testovat se vektor někde prostě
0:59:29	todleto
0:59:31	je čára na které sou parametry jo parametry nejsou někde tady teďka vůbec
0:59:39	parametry máme
0:59:41	tady takže nám přijde nějaký
0:59:45	dá to
0:59:46	jo
0:59:47	ani spočítám M
0:59:49	pravděpodobnost prvním gaussovky
0:59:52	a pravděpodobnost druhá gaussovky
0:59:55	ani hraje tady druhá
0:59:58	dobře
0:59:59	to jenom abyste
1:00:00	abyste se to zopakování když tak
1:00:03	teďka to my máme tady sou naší data
1:00:07	jo
1:00:09	a jestli já jsem jiným tak ono to vypadá
1:00:12	že _e
1:00:13	každé s těch nahrávek nemáme úplně stejné slova
1:00:17	takže vidíte
1:00:20	zaprvé
1:00:21	tam jsou trochu jinak frekvence jo pár vlastně se mění
1:00:26	trochu jo
1:00:28	a za druhé oni ono tohle různě natažené
1:00:34	tak i když třeba se nám podaří nějak velmi hezky
1:00:38	spočítat parametry třeba ty M S C
1:00:42	tak mi dokáže to a dostaneme
1:00:44	různý počet rámců
1:00:48	a teďka budeme dělat od _e té dvojice ze
1:00:51	které
1:00:53	nám
1:00:54	pomůže
1:00:55	najít
1:00:58	jako kdyby cestu
1:01:00	jak sou sekyra _e rámce vlastně jak jaksi odpovídají
1:01:05	jo
1:01:07	prostě rozsekáme to na rámečky
1:01:13	takhle nějak mi že
1:01:16	no a teďka vlastnění vidíme že to co je tady ono si to patří
1:01:22	tady taky
1:01:24	jo a tady tenhleten druhý ste první bude patřit asi třetí
1:01:28	za druhé
1:01:30	jo a todleto se budeme chtít teďka mnou či
1:01:50	_mhm
1:01:57	tady zase máme nějaký moc hezký obrázek
1:02:01	a ten obrázek _e
1:02:04	je to no to není nic jiného nejš
1:02:08	tady
1:02:09	ste tady tenhleten
1:02:11	dimenze jí
1:02:13	my máme
1:02:16	_e
1:02:17	vektory třeba ve který parametrů s nějaké referenční nahrávky jo
1:02:23	a tady máme testovat si
1:02:26	a teďka každý s každým porovnáváme jak jsou si podobné
1:02:31	jo
1:02:34	takže ní vidíme že vlastně ta podobnost bude někde
1:02:40	na tý _e diagonále
1:02:45	trochu
1:02:51	a toto co to jako znamená V teďka vlastně když budeme počítat a ty podobnosti
1:02:58	jednotlivých rámců svou nahrávek
1:03:02	jdeme tatí a _e chtít počítat
1:03:06	nějakou pravděpodobnost
1:03:09	to že a _e
1:03:12	odpovídají obě stejnému slovo nějakém
1:03:16	jo
1:03:17	takže to je to jo ono
1:03:26	o tomhletom se bude ta baryt až nějaké ty další přednášce
1:03:30	co vám akorát můžu říct že ty skrytém hákuje modelujícím epos model
1:03:37	ono to je velmi podobné konečném automatu jeho takže ji když
1:03:42	je to úplně to sám akorát to má jednu věc navíc jo
1:03:46	takže když se to třeba moc nepamatujete tak zkuste se to za pokud opakovat i
1:03:50	konečné automaty jaký vám to příště ulehčilo práva
1:03:54	co se tady děje ní budeme chtít
1:03:57	postavit nějaký ten model jo a todleto se vo skutečnosti teďka už děla
1:04:03	jo
1:04:04	ni vezmeme prostě jel
1:04:06	nějaký unk o
1:04:08	vezmeme nějaké slovo
1:04:10	a budeme chtít to slovo namodelovat
1:04:13	jo
1:04:17	i tady vidíte
1:04:19	v nějakém
1:04:20	kroužky
1:04:22	to soustavy samozřejmě to si pamatujete
1:04:26	jo prostě todle to sou všechno stáli tohleto je konečný stav i když prostě o
1:04:31	těch konečné automaty asi pamatuje takže to sou
1:04:34	dva proužky jo
1:04:36	aneb dva kroužky nemáme
1:04:38	na nic a oni vlastně tady tyhlety první a ten poslední stav oni sou jako
1:04:44	kdy B redundantní
1:04:47	jenom aby se ty modely hezky spojování jo aby měli začátek a konec
1:04:53	ale jinak oni ty stavy jsou prostě ptá zóně nic nedělaj
1:04:56	to nás zajímá nás zajímají ty áčka
1:05:01	to budou nějaké přechodové pravděpodobnosti
1:05:05	jo
1:05:06	představte si že jasný teďka máme nějaké slovo
1:05:13	máme matic i
1:05:17	parametrů
1:05:18	jo
1:05:22	a my budeme chtít a D tenleten model který má čtyři aktivně stavy adieu _m
1:05:29	jako kdyby generoval tohleto slovo
1:05:32	jo s nějakou určitou pravděpodobnost
1:05:37	on se musel natrénovat tak a D prostě
1:05:42	nějakému tomu stavů
1:05:44	odpovídání nějaké konkrétní
1:05:48	vektory a samozřejmě prostě jako sekvence to musí fungovat
1:05:52	jo řekneme
1:05:54	ježíš
1:05:58	řekneme že prostě
1:06:00	takhle
1:06:02	takle a tak dále jo
1:06:06	ty přechodové pravděpodobnosti pozor prosím vás
1:06:09	oni jsou trošku takové po zákeřnym protože a
1:06:13	tady je to jasné tady bude prostě jednička
1:06:16	jo když začínáme víme do prvního stavu fajn super
1:06:20	potom sme tom prvním stavu a postupně jako kdyby načítáme jednotlivém textury
1:06:26	říkáme
1:06:27	s jakou pravděpodobností jo to sou vlastně ty
1:06:32	myslím toho věřící to já nevím jak se řekne česky
1:06:37	takovou pravděpodobností
1:06:40	a ten konkrétní vektor odpovídá tomu stavu
1:06:44	jo
1:06:45	a fronty áčka vlastně nám říká ji že mi když přičteme další vektor
1:06:51	tak
1:06:53	tohleto pravděpodobností musem a zůstat tady
1:06:57	a nebojím zase dál
1:06:59	jo
1:07:01	a ono se tom
1:07:03	ono se to takle musím naučili a když to už bude umět tak mi tomu
1:07:08	záznam _e zase nějaké jiné slovo
1:07:11	jo a ono ten model dvě na měl otestovat
1:07:17	ono to určitě projde
1:07:19	jo ono to určitě projde až do konce
1:07:22	tam se to dostane libovolné slovo
1:07:25	jenže potom nijak sem ne němeček spočítáte
1:07:29	pravděpodobnost že to je ono jo to je to slovo které patří k tomu a
1:07:34	to model
1:07:37	ale o tom budete se bavit hodně dlouho a je to moc zajímá
1:07:49	tady eště pár slov
1:07:52	o dekódování jeho tam sme viděli na začátku
1:07:56	nějakou tu krabičku je se nám říkala že
1:07:58	když máme ty izolovaná slova což mi dneska předpokládáme
1:08:03	tak to je velmi jednoduché jo protože to slovo prostě buď je nebo není
1:08:09	ale u toho _e
1:08:12	a vy se S R to že
1:08:15	tu rozpoznání spojitý slov s velkým slovníkem
1:08:20	je to o něco složitější protože
1:08:23	tam nás zajímá tak zvany lan klíč model já nevím jestli se třeba něco takovýho
1:08:28	už slyšeli řešený nebo neslyšeli todle
1:08:35	_e to je to je velmi jednoduchá záležitost protože každý jazyk má
1:08:40	nějakou
1:08:42	určitou strukturu že jo _e
1:08:46	když i třeba _e řeknete ahoj tak je velmi pravděpodobné že byl řeknete jak se
1:08:51	máš třeba
1:08:52	jo
1:08:53	v češtině
1:08:54	jo
1:08:56	takže
1:08:57	on nám určuje že jo jaká je pravděpodobnost
1:09:01	když řeknu nějaké konkrétní slovo
1:09:04	že řeknu
1:09:05	další nějaké konkrétní svou
1:09:07	jo
1:09:08	jako kdyby takový strom
1:09:13	takže dívejte se když teďka rozpoznáme
1:09:19	jedno slovo
1:09:20	slovo číslo jedna jo
1:09:23	a potom toto míříme prostě devadesát procent že to je ono jo hezký prostě jsme
1:09:29	si jisti
1:09:30	potom další slovo a toto mi rozpoznáme třeba nějakou větu teď
1:09:34	jo nějak ocelově to budeme chtít rozpoznávat
1:09:37	potom nám přijde slovo dvě
1:09:41	pravděpodobností prostě čtyřicet pět toho modelu zájmem nám to vyleze jo
1:09:47	a přijde slovo
1:09:50	při s pravděpodobností padesát pět procent
1:09:53	jo
1:09:54	to eště nám nedává vůbec
1:09:57	_e právo říct že todle jako na té druhé pozici musela mít slovo tři
1:10:04	my se teďka musím podívat do vám which modelem
1:10:07	musíme se podívat s jakou pravděpodobností v tomletom konkrétním jazyků
1:10:12	jo
1:10:13	zatím slovem
1:10:15	teda jo před tímhle tím slovem prostě je tohleto jo
1:10:19	a s jakou pravděpodobností před tímhletím slova mně tohleto taky
1:10:24	a může prostě říct že tady máme devadesát procent a nemáme zde no a co
1:10:28	máme dělat
1:10:29	tak třeba můžeme vybrat tohle
1:10:35	potom tam výslovnostní slovník eště máme
1:10:40	a tu je třeba zejména velmi důležité pro angličtinu protože jak mi píšeme a jasný
1:10:45	sumujeme něco je zase něco jiného jo
1:10:48	my rozpoznáme ty fonémy ale potom tomu sem ještě před
1:10:52	a na najít prostě když von pracovat s angličtinou tam mluví každý úplně jiná že
1:10:57	protože tam
1:10:58	obou hodně lidí mluví anglicky a vždycky tam častokrát je tam nějaký přízvuk
1:11:05	a von ten člověk může vyslovit něco
1:11:08	prostě ne tak jak by měl jeho třeba mít samý jo a tak dále takže
1:11:14	_e
1:11:15	potom jsem a ještě zase na
1:11:19	spoléhat na nějaké pravděpodobnosti s jakou pravděpodobností lontu vůbec místo
1:11:26	a tam budete mít ještě hodně různé z těch algoritmu to bude to bude fakta
1:11:30	vo ale nejde toto jedno není to moc jednoduché zábavné
1:11:37	no a omezení prohledávacího prostoru to je to co sem vám říkala push
1:11:44	že a
1:11:48	my se prostě
1:11:51	nám se třeba něco rozpozná jo
1:11:54	ale ono to něco třeba vůbec není moc pravděpodobné že L s tomletom const kontextu
1:12:00	by mohlo být
1:12:02	takže mi to zavedeme jako jo budeme vyhledávat vlastně
1:12:08	a nějakého konkrétního subsections
1:12:27	teďka když budeme chtít rozpozná ty izolována slova
1:12:31	za prvé ono to může být tak nahráme že to je izolován jo
1:12:36	a za druhé prostě když to tak není máme větu a chceme toho vystřihnout slova
1:12:42	je
1:12:43	jo
1:12:44	nás nezajímá sto jaké jsou bylo před tím i teďka nebudeme se zaměřovat na rozpoznání
1:12:49	tetelení je ty a na nějaký konkrétní slova
1:12:52	jo takže nepotřebu normálního neboť modální takovýho
1:12:57	ty slovani střihne má a toušice jak se dělá prostě detekce řečové aktivity
1:13:03	on je častokrát založeny na energii jo to je nejjednodušší když máme prostě vysokou energií
1:13:10	T řeč když nízká energie to je šum
1:13:13	jo ticho jo
1:13:17	samozřejmě a _e tom a svoje háčky protože třeba takové
1:13:22	o náznaky prostě jako šum třeba je jo může prostě
1:13:26	ten detektor nemuset fungovat úplně
1:13:29	plně nejlíp ale jenom
1:13:31	jan tak abyste věděli anodou právě se používá je podstatně složitější
1:13:42	tak máme další obrázek takže ve slovníku máme
1:13:47	měl
1:13:48	slov
1:13:50	přijde nějaká řečany chceme prostě rozpoznat
1:13:54	která těhletěch slov bílá vyslovena
1:13:58	jo
1:13:59	to je ono
1:14:15	takže
1:14:17	teďka už _e
1:14:19	kde mám
1:14:20	D M na to více méně
1:14:28	todleto sme si zase už říkali
1:14:34	že M
1:14:37	my budeme chtít
1:14:40	rozpoznat vlastně
1:14:42	slova která obsahují víc než jenom jeden takt or parametrů takže
1:14:48	todleto konkrétně ní použít
1:14:51	nemůžeme
1:14:55	protože a _e
1:14:59	a vlastně vybrán používat
1:15:00	něco skoro úplně to samé ale tady se to říká že
1:15:05	vlastně abyste nebyli moc zmatení že
1:15:09	tenhleten vzoreček je jenom pro jeden konkrétní nějakým takto
1:15:13	jo
1:15:15	kde vlastně typ _e
1:15:17	to sou dimenze toho vektoru
1:15:21	jo
1:15:24	že těch slov máme
1:15:26	nějak
1:15:27	a tady
1:15:29	vybereme
1:15:32	vlastně ten vektor jeden parametru
1:15:36	proč máme dva
1:15:38	máme jenom konkrétní tak rád
1:15:45	a na jeden konkrétní vektor
1:15:48	jo a druhý konkrétní vektor vidí prostě celé slovo
1:15:53	dílo reprezentován _e vektorem tak bysme porovnání vlastně
1:15:59	jaksi
1:16:01	a jsou si podobné
1:16:03	ty vektory jednotlivé menze napočítali jedno číslo jo
1:16:08	to je
1:16:09	to znáte to je ta euklidova vzdálenost
1:16:13	ne
1:16:13	nás
1:16:15	dobře
1:16:21	teďka ale náš u té
1:16:25	porovnávat
1:16:27	matice
1:16:30	tedy sekvence vektor jo
1:16:33	dostaneme u té reference vlastně nějakou sekvence kde
1:16:38	to R má ale jedna a šerm ale
1:16:41	jak velká
1:16:43	jsou vektory
1:16:45	a tady mít taky máme prostě vektory jo je sekvence vektor má
1:16:50	a teďka budeme chtít udělat
1:16:52	alanine nějaký
1:16:55	a tak dále jak to bude vypadat tak první nechceš bude match vlastním první a
1:17:00	poslední a tím posledním ale co to je uprostřed tak mi to moc nedím
1:17:04	samozřejmě nemůže já seskakovat to nefunguje jo
1:17:09	_e
1:17:11	takže tím je omezené nějak prostor toho
1:17:14	hledání ale pořád to je to co
1:17:17	složité
1:17:19	no
1:17:27	takže kdy nějak mně to udělat nemůžeme to sme souši říkali
1:17:32	navíc tady třeba máte příklad kde se udělala ta chyba a
1:17:38	detekce řeči jo že tendleten šum vidíte a uměl docela vysokou amplitudu takže prostě
1:17:47	se to k té řeči nějak připojeno ale přitom to je prostě šum nějaký jo
1:17:51	vůbec to není žádné řeč
1:17:54	ale nic takovou nahrávku máme
1:17:56	a musíme s ní pracovat proč ni musela pracovat proč tudletu nahrávku není hodíme
1:18:02	si myslíte došlo furt tak řešena ten šum a tak dál
1:18:08	proč tu nahrávku nemůžeme vyhodit
1:18:11	že by takových nahrávek mám na hodně a děláme prostě to automaticky já nemůžeme poslechnout
1:18:17	o nevím sto tisíc
1:18:19	třeba hodin řeči jo
1:18:21	proto
1:18:22	proto vlastně
1:18:24	my se snažíme mít co nejvíc vždycky dat
1:18:27	jo čili s těmi vždycky
1:18:30	ale ty data se snažíme nějak zpracovat
1:18:34	ale však máme nějaké takový chybně a musíme nějak potom ty metody vždycky
1:18:40	na to naučit aby se s tím nějak
1:18:43	_e
1:18:44	aby se s tím nějak uspořádány fajn dobře
1:19:01	a konečně myslím dostává do té metody které se nepoužívá
1:19:07	_e tadleta dynamické borcení času a to je nějaké _e jakýsi vyměním dynamické programování a
1:19:14	hned se podíváme jak to vypadá
1:19:16	jo takže i teďka už sme se to řekli hodněkrát teďka tneska
1:19:23	ale
1:19:24	máme tady _e
1:19:29	vždycky
1:19:30	je dán
1:19:32	vektor
1:19:33	jo
1:19:35	parametrů
1:19:36	takže vlastně ta jednička dvojka toto sou čísla rámců jo to nejsou jenom jednotky jako
1:19:41	můžou být o jednotlivé čísla ale my pracujeme s vektory takže sto nepleťte
1:19:46	a tady máme sekvence taktu která odpovídá ten naše testovat se nahrávka ani budeme chtít
1:19:53	se podívat
1:19:55	jestli je _e
1:19:57	za prvé i budeme chtít
1:19:59	najít i nějakou cestu
1:20:01	jo jak vlastně ty rámce jsou si podobné a za druhé spočítat nějakou pravděpodobnost
1:20:08	že to je ten náš že to je to naše slovo
1:20:12	jo
1:20:14	takže když se podíváme že vždycky budeme začínat
1:20:18	někdy a někde jedničce
1:20:22	jo
1:20:23	vždycky prostě první odpovědná prvnímu
1:20:26	jo když předpokládáme že předtím nic neni a poslední bude odpovídat tak je posledním
1:20:34	tady vidíme že jo druhý odpojena dlužím u třetího tlumena druhýmu a tak dále a
1:20:39	tak dále
1:20:40	jak to budem a počítat to bude mám počítat velmi
1:20:47	velmi jednoduše jako pod a teďka nevím proč
1:20:51	tam vlastně je popis nějaký úplně
1:20:57	úplně jasný
1:21:08	nevím
1:21:19	takže _e jak to budeme dělat ní vezmeme
1:21:22	zase
1:21:25	jak to reference vezmeme vektor Á
1:21:30	_e testovat se nahrávky podíváme se
1:21:33	jestli jsou blízko jo spočítám a to vzdálenost taky tady potom todle
1:21:40	to o nějaká
1:21:42	jo to je nějaká ještě další váhová ty
1:21:46	funkce
1:21:49	ale k té se dostane na ty po
1:21:52	do of kliky většinou končíte tuto přesná
1:22:01	ve tři čtvrtě jo
1:22:05	_e
1:22:19	takže tak teďka bude takhle že odpovídá to takhle budeme chtít spočítat
1:22:26	nějak a ty naše vzdálenosti přičemž
1:22:31	tohleto budeme se snažit těch pokud možno nějak
1:22:35	minimalizovat zaprvé my si musíme nadefinovat nějaké ty stahovat si
1:22:40	_e nějakou tuba hlupáci funkci a eště nějaký krok a nebo spíš _e
1:22:47	něco jako
1:22:52	nějakou třeba
1:22:54	cestu k a kterou my může mají johny třeba můžeme se podívat
1:22:59	že samozřejmě je nejpravděpodobnější že když začínáme někde tady
1:23:05	jo a končíme tady
1:23:07	obzvlášť když sou ty nahrávky prostě veršů a
1:23:12	tady na délky tak ta cesta by měla být někde na té diagonále jo
1:23:17	takže právě proto my musíme ještě nadefinovat
1:23:22	váhy kroků
1:23:23	jo kam pudem a
1:23:27	to a dneska díky
1:23:33	a ten algoritmus
1:23:34	bude velmi
1:23:38	docela jednoduchý by řekla
1:23:44	jo to motorku
1:23:48	trochu z názvy
1:23:54	počáteční koncové body se nadefinujeme a potom nějaké lokální souvislosti
1:24:02	jo potom i se nadefinujeme jak moc můžeme jít nahoru jak moc můžeme jdou strany
1:24:08	to je
1:24:11	to je jednoduché no a jak jsem říkala přeskakovat taky se nesmí takže každý vektor
1:24:17	musíme použít aspoň
1:24:20	jednou
1:24:23	a ale ten vektor se může _e opakovat jo jak může se opakovat nette ste
1:24:29	cestě o referenční nahrávky je taky se může opakovat i
1:24:33	u té
1:24:34	testovací
1:24:37	_e jasné
1:24:42	jo a nějak a _e máme srazí omezení podle nějaký konkrétní vzorečku to je
1:24:49	co všechno záleží na nějaké ty aplikace nebo konkrétním slov
1:24:54	neživý si nadefinujeme nějaké čáry a potom ty čáry nám
1:24:58	řeknou že jo někde tady vtom žlutým
1:25:01	i ta cesta mohla být
1:25:04	a co to znamená to znamená že ní vlastně budeme teďka dělat skutečně za dynamické
1:25:09	programování jo ji nebudeme porovnávat každý s každým
1:25:14	ale budeme
1:25:15	porovnává tím ty _e
1:25:18	pravděpodobné podstatě se jo bude mají vyhledávat
1:25:23	jak se ta cesta někde tady prostě mu ta
1:25:33	ty váhové funkce můžou být zase
1:25:37	mně koně kádrů Ú
1:25:40	ono sou to většinou určuje tak že ví třeba budete chtít najít zavazovat nějakou aplikaci
1:25:48	budete mít _e trénovací data a nějaké evaluační data jo
1:25:57	na implementujete potom _e tohoto zkuste té různé váhy
1:26:01	a proto to funguje lépe tak to použijete protože ní většinou taky předpokládáme že ty
1:26:08	evaluační data
1:26:09	té ty nějaké verifikační data
1:26:12	oni a _e
1:26:15	sou
1:26:16	nějak tak podobné tomu našem to bude se potom
1:26:20	_e testovat jo čím to budete provozovat
1:26:24	takže tady máme ty testy co to znamená to asi chápete že
1:26:29	že vy vlastně když
1:26:32	ne
1:26:34	u toho bodu
1:26:36	ono to je trošičku jako kdyby naopa
1:26:39	že deme sem nahoru tak dáme prostě dvojku váha bude dvě jo že bude splněny
1:26:46	takhle to tomu ten stejně od konce říct že
1:26:49	když jsme tady
1:26:51	tak sem sme přišli s největší pravděpodobností odsud
1:26:55	jo
1:26:58	a potom na základě tady těhletěch v a on se ten algoritmus jaksi
1:27:03	se přizpůsobí
1:27:10	samozřejmě když vidíte že máme tady nějaké váží je hodí jednička dvojka dokonce tady dole
1:27:16	máme i nulu
1:27:18	to znamená že vlastně
1:27:20	_e
1:27:23	sem dole jako kdyby nemůžeme přejít jo že ten konkrétní
1:27:31	nějaký _e vektor se může použít fakt
1:27:35	jenom jedno jo nemůže se jako první zůstat na jedné
1:27:40	na jedné poloze
1:27:41	a musíme která když máme nějaké ty váží definovat i normalizační faktorizace
1:27:47	no a ten normalizační faktor de co na denotační faktor
1:27:55	tu to bude suma všech použitých na zase
1:27:59	jo to je docela
1:28:01	logické
1:28:10	ono to jiná a zase takovém
1:28:16	takové trochu
1:28:18	nebezpečné používat
1:28:21	ten normalizační faktor
1:28:24	jako a váhy
1:28:27	odpovědná jestli té cestě protože oni když
1:28:30	já sem vám říkala zaprvé potřebujeme najít cestu a na druhé musíme odhadnout nějakou tu
1:28:35	pravděpodobnost potom spočítat jo
1:28:38	podle cestě
1:28:40	takže mě když dostaneme nějakou referenční teda ne refe nějak otestovat se nahrávku a máme
1:28:47	ve referenční a chceme zjistit
1:28:49	které z nich
1:28:51	vlastně ten vektor patří jo ten vstupní ten testovacími
1:28:56	tak potom tomto normalizační faktor bude zase
1:29:03	jiný
1:29:04	ale to tady ne vládí
1:29:07	ono to budem paní
1:29:10	zadám té cestě jo takže sem řekla bobo
1:29:39	potom zase tady máte říkám _e nějaké tabulky
1:29:45	tabulky s omezením
1:29:48	co když
1:29:51	se mě nechce moc
1:29:53	nějaký dva
1:29:55	protože sme se to řekne push
1:29:57	dnes tak
1:30:00	a já bych se chtěla dostat píchni K
1:30:10	někam asi
1:30:14	jsem
1:30:17	teďka nás bude zajímat jasný vytvoří má tu referenční
1:30:23	nějaký referenční a nějakou referenční sekvenci
1:30:27	E vektoru
1:30:29	takže vypuč můžeme použít jedno nějaká konkrétní smlouvalo že jo
1:30:36	jo logické když tam _e
1:30:39	když máme jenom jedno slovo tak nic nemůže na použít když my máme kdy a
1:30:44	nahrávek odpovídá je se ten mu slovu
1:30:47	tak buď můžeme použít každé zvlášť že jo
1:30:51	jo a potom třeba udělat
1:30:55	průměrně jak jejich pravděpodobností a nebo
1:30:59	vlastně jenom tohle
1:31:01	a nebo může má _e vytvořit nějaký průměrný
1:31:06	vzor
1:31:09	zase když použijeme ta to jedině jarní průměrování tak to je docela P po že
1:31:16	no protože jedna bude dlouhá druhá prostě družinou bude
1:31:21	krátký a tak dále
1:31:23	a nebo můžeme _e
1:31:26	zase udělat
1:31:28	dynamické
1:31:31	průměrování a to zase může na použít
1:31:35	a toho dete V na to
1:31:38	jo nějak prostě je řekněme
1:31:40	dohromady a tu bude naše
1:31:44	reference
1:32:07	no a titulky já nevím jestli ste už měli
1:32:11	já si myslím že nespíš učte todleto s taky ste měli že jo i když
1:32:15	jste se bavili třeba o tom vektory _m kvantování tak
1:32:19	učte zvuky akože zvuková ní ten princip už _e mě asi tak nějak povědomý že
1:32:25	jo
1:32:26	jo
1:32:31	ono to vlastně
1:32:34	a to zvuková nic zase může být
1:32:37	třeba užitečné je
1:32:40	s takových případech když máte pro nějakou třídu třeba
1:32:45	máte a _e
1:32:48	omezený počet dát jo vy třeba můžete si představit že máte
1:32:52	X tři každé přidá má hodně dat a potom máte třeba nějakou tři doktorama
1:32:58	málo dat
1:32:59	jo takže ta třída které je reprezentována malým počtem dát ona je
1:33:06	nejvíc náchylná k těm chybám nebo nějakým špatným rozpoznáváním protože
1:33:12	no tam je málo dát a vlastně když budete dělat to shlukování tak teoretický můžete
1:33:17	použitá ta která patří jiné třídě
1:33:21	jo
1:33:24	můžete prostě a vlastně to jako kdyby na syntetizovat
1:33:30	teda samozřejmě když
1:33:33	ono to je to podobné
1:33:48	tak se si myslím že to by mohlo být asi tak
1:33:52	všechno sme strany akorát
1:34:02	jo to asi všechno máte nějaké otázky
1:34:10	fajn tak jak sme se že už je známo že teda skončit jo
1:34:14	tím

ZRE - přednáška 8.

2011

Valia Hubeika (Speech@FIT)