Accent Classification using Machine Learningin English Language
Notice bibliographique
Résumé
AbstractThe increasing reliance on voice-activated technology in daily life has highlighted the need forASR systems that can accurately understand a range of English accents. Current systems of-ten struggle with diverse accents, impacting the inclusivity and effectiveness of speech-basedinteractions. This thesis explores accent classification in the English language, focusing onfive major accents: American, British, Indian, Australian, and Canadian. Using supervisedmachine learning methods, including CNN, SVM, and RF models, this study investigates theeffectiveness of these models in classifying different accents.The research uses the Mozilla Common Voice dataset, which offers a diverse collection oflabeled audio samples. Through experimental evaluation, the performance of CNN, SVM,and RF models is assessed in accurately classifying the specified accents. The findings in-dicate that while CNNs achieve an accuracy of 70%, traditional machine learning methodsoutperform CNNs, with SVMs reaching an accuracy of 83% and RFs achieving 79%. Notably,SVMs excelled in differentiating US and Canadian accents with precision rates of 90% and88%, respectively.Overall, this work contributes to the development of more inclusive and adaptable speechrecognition systems, benefiting applications in customer service, virtual assistance, and othervoice-based technologies. Additionally, the thesis reflects on the challenges encountered dur-ing the study, including model over-fitting and difficulties in distinguishing subtle accentvariations, and discusses potential avenues for future research to enhance accent classifica-tion methodologies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».