Identificación de errores frecuentes en la pronunciación del español en hablantes no nativos utilizando redes neuronales profundas

Este documento propone modelos basados en CNN y RNN-LSTM para la identificación de errores frecuentes del idioma español en estudiantes anglófonos y francófonos oriundos de Estados Unidos y Canadá. Las experimentaciones realizadas muestran una exactitud media de 88%, destacando desempeños superiores al 90% en las palabras bien pronunciadas, y superiores al 70% en la identificación de errores de pronunciación. Se implementan técnicas de Aumento de Datos, Regularización L2 y Dropout para prevenir sobreajuste de los parámetros durante el entrenamiento con la base de datos construida. Adicionalmente, se implementa Normalización por Capa, Normalización por Batch y técnicas de Data Pipeline para reducir los tiempos de entrenamiento por experimento.

• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2022
• Institución: Universidad Distrital Francisco José de Caldas
• Repositorio: RIUD: repositorio U. Distrital
• Idioma: spa
• OAI Identifier: oai:repository.udistrital.edu.co:11349/31293
• Acceso en línea: http://hdl.handle.net/11349/31293
• Palabra clave: CNN; RNN-LSTM; LSTM; Aumento de datos; Mala pronunciación en español; Ingeniería Electrónica - Tesis y disertaciones académicas; Neuronas; Red nerviosa; Español - Pronunciación; CNN; RNN-LSTM; LSTM; Data Augmentation; Spanish Mispronunciation
• License: Atribución-NoComercial 4.0 Internacional