Gos - korpus govorjene slovenščine

Iskanje po pogovornem zapisu
Iskanje po standardiziranem zapisu

Uporabljaš enostavno iskanje

zapri Posnetki v korpusu GOS so zapisani na dva načina: tako, kot je izgovorjeno (pogovorno), in tako, kot pišemo (standardizirano). Iščeš lahko po enem ali drugem zapisu govora.

Enostavno iskanje po pogovornem zapisu:
Vpiši besedo ali frazo tako, kot je bila izgovorjena (rjeku; rekel; sma bla). Rezultat bo povsem enak vpisani besedi ali frazi (rjeku; rekel; sma bla).

Enostavno iskanje po standardiziranem zapisu:
Vpiši besedo ali frazo tako, kot zapišemo. Rezultati bodo vsebovali vse izgovorjave in vse oblike besede ali fraze:
iskanje rekel vrne reku, rekla, reči...
iskanje je rekel vrne sva rekla, bo rekel, so rekl...
Če iščeš točno določeno obliko besede ali fraze, jo daj v narekovaje. Rezultati bodo vsebovali vse izgovorjave samo te oblike besede:
iskanje "je" rekel vrne je reku, je rekla...
iskanje "je" "rekel" vrne je reku, je rekel, je rjeku...
Napredno iskanje

Razvrsti	Razvrsti Razvrsti
verjetnosti ki nam daje končni rezultat / končni rezultat potem ovrednotimo	v smislu iskanja maksimalne verjetnosti in seveda zmeri poznamo za določeno
rezultatov je toliko kolikor je modelov ki jih imamo shranjenih	v eee modulu eee akustičnih modelov in če razpoznavamo sami te
akustičnih modelov in če razpoznavamo sami te besede je recimo	v osnovi rezultatov toliko kolikor besed razpoznavamo če pa razpoznavamo tekoči
pa razpoznavamo tekoči govor pa je rezultatov toliko kolikor jih	v nekem trenutku eee vzamemo kot eem fhodno množico modelov / če
da torej [1 delno] vzamemo vse modele ki jih imamo shranjene	v eee modulu modelov potem bi to pomenilo da bi morali
eee modulu modelov potem bi to pomenilo da bi morali	v vsakem trenutku eee razpoznavati približno al pa [1 delno] ovrednotiti približno
[1 delno] ovrednotiti približno dvanajst tisoč eee takšnih modelov / saj jih	v razpoznavanju tekočega govora uporabljamo trifonski model kot sem že zadnjič
jasno da je preveč za eee samo procesiranje še manj	v realnem času / eee kar pomeni da moramo glede na kontekst
katere izračunavamo verjetnosti eee saj drugače tega ne moremo izvest	v času v katerem si to želimo /// [1 premor] [prazen] /// kako pa
verjetnosti eee saj drugače tega ne moremo izvest v času	v katerem si to želimo /// [1 premor] [prazen] /// kako pa poteka samo
in tretje stanje pravzaprav modelira zaključek fonema in že prehod	v novo [1 delno] v nov fonem kjer se potem to zaporedje
pravzaprav modelira zaključek fonema in že prehod v novo [1 delno]	v nov fonem kjer se potem to zaporedje ponovi / v praksi
[1 delno] v nov fonem kjer se potem to zaporedje ponovi	/ v praksi se je pokazalo da so tri stanja modela na
dolgo bo trajala posamezna faza tega modela se bomo lahko	v posameznem stanju vrteli poljubno dolgo časa in s tem kompenzirali
dolgo časa in s tem kompenzirali tisti eee čas tranjanja	v katerem se recimo izkazuje odstopanje trajanj takšne besede od neke
dolžine kompenzirale z tem da bi pač na različnih mestih	v različnih stanjih prihajalo do večkratnega eem zadrževanja sistema eee v
v različnih stanjih prihajalo do večkratnega eem zadrževanja sistema eee	v tem stanju oziroma v tem delu modela z prehajanjem v
do večkratnega eem zadrževanja sistema eee v tem stanju oziroma	v tem delu modela z prehajanjem v isto stanje dokler bi
v tem stanju oziroma v tem delu modela z prehajanjem	v isto stanje dokler bi pač trajal ta fonem / in to
prehajanja stanj matriko admitiranih simbolov in pa matriko začetka modeliranja	v posameznih stanjih modela / eee zadnjič smo omenili tudi postopek naprej
smo razvili iterativni postopek določevanja glede na verjetnosti prehajanja eee	v posamezna stanja v nekih časovnih trenutkih modeliranja celotnega procesa / tukaj
postopek določevanja glede na verjetnosti prehajanja eee v posamezna stanja	v nekih časovnih trenutkih modeliranja celotnega procesa / tukaj pa imamo pri
drugačna / torej tukaj sedaj računamo kakšna je verjetnost da smo	v nekem trenutku te v stanju i in da smo pri
računamo kakšna je verjetnost da smo v nekem trenutku te	v stanju i in da smo pri tem iz prejšnjega trenutka
be pi na osnovi interaktivnih enačb ki jih imamo tule	v tej trojici enačb zajete / se pravi najprej izračunavamo verjetnosti naprej
izračunu verjetnosti gama ki pomeni verjetnost prehoda iz stanja i	v stanje jot v trenutku te za dan model in zaporedje
ki pomeni verjetnost prehoda iz stanja i v stanje jot	v trenutku te za dan model in zaporedje opazovanja / in ker
obe nanašata na izračunano [1 delno] izračunavan trenutek eee opazovanja dogajanja	v modelu ki nas tukaj zanima torej trenutek te tako da
iz desne proti levi alfa pa iz leve proti desni	v to isto stanje smo na ta način ustvarili eee dejansko
eee teh verjetnosti gama pri izračunu prehoda iz stanja i	v stanje jot in pa v istem stanju imitiranja posameznih simbolov
izračunu prehoda iz stanja i v stanje jot in pa	v istem stanju imitiranja posameznih simbolov določamo končne verjetnosti ki predstavljajo
ki predstavljajo parametre Markovega modela /// [1 premor] [prazen] /// in [1 delno] tudi	v praksi poteka [1 delno] [1 delno] učenje Markovega modela tako da na
modela pojavil fonem a / in prednost Markovega modela je predvsem	v tem da so ko rečemo statistično robustni / to pa pomeni
tako zelo velike razpršenosti / eee je pa tudi res da	v teh virih ki jih običajno uporabljamo ni tako zelo veliko
in razvijajo razpoznavalnike govora recimo prilagojene njihovim karakteristikam govornega signala	/ v vsakem primeru pa so se Markovi modeli prav preko teh
rezultate pri eem razpoznavanju govora in zato tudi predstavljajo danes	v svetu praktično edino rešitev ki jo uporabljajo vsi proizvajalci takšnih

Razvrsti

Razvrsti Razvrsti

verjetnosti ki nam daje končni rezultat / končni rezultat potem ovrednotimo

v smislu iskanja maksimalne verjetnosti in seveda zmeri poznamo za določeno