Automatic transcription of Broadcast News

This paper describes the IBM approach to Broadcast News Transcription. Typical problems in the Broadcast News Transcription task are segmentation, clustering, acoustic modeling, language modeling and acoustic model adaptation. This paper presents new algorithms for each of these focus problems. Some key ideas include Bayesian Information Criterion (for segmentation, clustering and acoustic modeling) and Speaker/Cluster Adapted Training. Abstract Dieser Beitrag beschreibt ein bei IBM entwickeltes Verfahren zur Tranksription von Rundfunknachrichten. Zu den typischen Problemen der Transkription gehoeren die Segmentierung, Clusterung, akustische Modellierung, Sprachmodellierung und akustische Modelladaption. In disem Beitrag werden neuartige Algorithmen fuer diese einzelnen Probleme praesentiert. Als einige der hier enthaltenen Schluesselideen koennen das Kriterium der Bayes’schen Information (zur Segmentierung, Clusterung and akustischen Modellierung) sowie sprecherund clusteradaptives Training genannt werden.Dieser Beitrag beschreibt ein bei IBM entwickeltes Verfahren zur Tranksription von Rundfunknachrichten. Zu den typischen Problemen der Transkription gehoeren die Segmentierung, Clusterung, akustische Modellierung, Sprachmodellierung und akustische Modelladaption. In disem Beitrag werden neuartige Algorithmen fuer diese einzelnen Probleme praesentiert. Als einige der hier enthaltenen Schluesselideen koennen das Kriterium der Bayes’schen Information (zur Segmentierung, Clusterung and akustischen Modellierung) sowie sprecherund clusteradaptives Training genannt werden. Abstract Cet article décrit l’approche d’IBM pour la transcription des nouvelles du journal télévisé. Les problèmes caractéristiques de cette tâche sont la segmentation, la classification automatique, la modélisation acoustique, l’estimation de modèles de langage et l’adaptation des modèles acoustiques. Cet article présente de nouveaux algorithmes pour chacun de ces problèmes. Parmi les idées clés, on peut citer le critère d’information Bayesien (pour la segmentation, la classification automatique et la modélisation acoustique) et l’apprentissage adapté pour chaque locuteur/classe de locuteurs.Cet article décrit l’approche d’IBM pour la transcription des nouvelles du journal télévisé. Les problèmes caractéristiques de cette tâche sont la segmentation, la classification automatique, la modélisation acoustique, l’estimation de modèles de langage et l’adaptation des modèles acoustiques. Cet article présente de nouveaux algorithmes pour chacun de ces problèmes. Parmi les idées clés, on peut citer le critère d’information Bayesien (pour la segmentation, la classification automatique et la modélisation acoustique) et l’apprentissage adapté pour chaque locuteur/classe de locuteurs.