Automatic language identification using deep neural networks

Abstract

Работа посвящена разработке алгоритма, предназначенного для определения языка, на котором произнесена речь, записанная в аудиодорожке. Задача распознавания языка сформулирована как задача классификации, где в качестве входных данных выступает аудио, а на выходе — категория принадлежности к языку. Для решения поставленной задачи реализованы различные нейросетевые архитектуры. На датасете Common Voice проведен вычислительный эксперимент с использованием разработанных алгоритмов. Результаты проведенного эксперимента подтвердили работоспособность предложенного подхода. Архитектура, состоящая из сверточных, рекуррентных и полносвязных слоев демонстрирует способности выделять факторы, специфичные для конкрентого языка, и устойчива к переобучению.

This paper is dedicated to automatic language identification using deep neural networks. This task is formulated as the task of classification where input data is audio with speaking voice and the output is the detected language. A neural network algorithm was proposed for this problem. An experiment was conducted using this algorithm on Common Voice dataset. The results have shown that deep learning architectures can perform relatively well on this task. The combination of convolutional and recursive neural networks has demonstrated the best ability to distinguish language-specific features and it is robust to overfitting.