Note publique d'information : La plupart des méthodes d'indexation de documents audiovisuels (AV) sont en pratique
manuelles. En France, l'Institut National de l'Audiovisuel (INA) a en charge plus
de 50 000 heures diffusées chaque année, et plus d'un million d'heures d'archives.
L'automatisation du processus d'indexation doit donc être pensé afin de répondre aux
spécificités de cet usage. L'état de l'art en matière d'indexation automatique AV
est constitué d'un système de reconnaissance de la parole (RAP) allié à des techniques
de recherches d'information. La transcription automatique est donc l'accès premier
au contenu AV et les erreurs qu'elle peut contenir en détermine la pertinence. Les
erreurs de transcription sont principalement dues à l'écart entre ces modèles et la
réalité rencontrée dans les documents AV. En particulier, le contenu lexical et linguistique
des transcriptions automatiques est conditionné par le vocabulaire et le modèle de
langage (ML). Cette thèse porte sur l'adaptation du vocabulaire et du ML d'un système
de RAP en vue de l'indexation de documents AV, qu'ils soient d'archives, ou contemporains.
Une des difficultés est de disposer de données électroniques, qui soient appropriées
à la tâche. La première solution proposée est de construire un ML à vocabulaire ouvert
grâce à la technique du repli lexical. Des expériences interactives et automatiques
sont menées sur un corpus de journaux télévisés. La seconde solution consiste à utiliser
des données de sites Web pour constituer les ressources contemporaines à l'émission.
Deux expériences sont menées. La première, sur le corpus ECHO contenant des archives
des années quarante à nos jours, souligne les écarts d'époques entre les données d'entraînement
et les émissions d'archive. Dans la seconde, des algorithmes sont développés pour
adapter quotidiennement le vocabulaire et le ML de référence afin de transcrire des
journaux télévisés. Différentes configuration de corpus montrent l'impact de la sélection
des données d'adaptation.
Note publique d'information : Most of today's methods for indexation of broadcast audio data are manual. In France,
the National Audiovisual Institute (INA) is in charge more than 50,000 hours yearly
broadcasted audiovisual data and over one million hours of archive data. Introduction
of automatic tools in the indexation process must to be drawn to fit specificities
of these real needs. The state of the art in automatic indexing of audiovisual documents
is an automatic speech recognition system combined with information retrieval engine.
Automatic transcription of audio track is therefore the first access to the audiovisual
content and transcription errors define its relevance. One error source is the gap
between the models used by the ASR system and the variability of audiovisual database.
More precisely the lexical and linguistic content of automatic transcriptions is conditioned
by the vocabulary and the language model (LM) of the system. The purpose of this thesis
is to investigate methods for vocabulary and LM adaptation of an ASR system for indexing
prospect. Two kind of audiovisual documents are considered : archive and daily broadcasted.
Finding a sufficient amount of appropriate electronic texts which are contemporary
to the task is one of the biggest challenges. The first solution proposed in this
thesis is to build an open vocabulary LM using lexical back-off. Interactive and automatic
experiences are performed on a broadcast news shows corpus. The second solution uses
the web to create corpora which are contemporary to the document. Two experiments
are performed. The first uses the ECHO corpus which contains archive documents dating
from the forties to the nineties, and emphasizes the discrepancy between training
data and documents epochs. In the second experiment algorithms are investigated to
daily adapt the standard vocabulary and LM. Different corpora frameworks show the
impact of selecting adaptation data.
paprika.idref.fr
data.idref.fr
Documentation
