WALDO – Übersetzung über maschinelles Lernen

Veröffentlicht

(Alexander Stafford) (5. November) , 2020)

Vorschlag:

Wir möchten ein Übersetzungssystem entwickeln, das diese Vorteile nutzt von Voice-to-Text- und Text-to-Voice-Technologie. Wir möchten ein System entwickeln, das älteren oder behinderten Menschen bei der Nutzung von Übersetzungsdiensten helfen kann, insbesondere solchen, bei denen Probleme oder Probleme auftreten, die sie daran hindern, herkömmliche Eingabemethoden (z. B. Tastatureingaben) zu verwenden. Wir planen, die NUGU-API zu verwenden, damit Benutzer mit dem NUGU-Sprecher sprechen und ihre Phrasen übersetzen lassen können. Der NUGU-Sprecher stellt die Übersetzungen bereit, indem er die Sprachdaten an unseren Übersetzungsserver sendet, um sie in Text umzuwandeln und zu übersetzen. Der Server sendet dann die Textdaten zurück, um sie vom NUGU-Sprecher vorzulesen. Dieses System soll eine schnelle und intuitive Eingabe in ein Übersetzungssystem ermöglichen. Das System bietet auch die Möglichkeit, die Übersetzungsausgabe in die Zwischenablage des Benutzers zu kopieren, damit er sie problemlos an anderer Stelle verwenden kann. Um die Übersetzungsfähigkeiten des Systems zu verbessern, werden wir ein einfaches „Daumen hoch / Daumen runter“ -System implementieren. Auf diese Weise können Benutzer die Übersetzung entweder als gut oder als schlecht bewerten.

Mitwirkende: 김근후, 이원제 , 정재용, Alexander Stafford

Liste früherer verwandter Arbeiten:

https://developers.naver.com/products/nmt/

https: //cloud.google.com/translate/#how-automl-translationbeta-works

G. Guida und G. Mauri, „Evaluation von Systemen zur Verarbeitung natürlicher Sprache: Probleme und Ansätze“, in Proceedings of the IEEE, vol. 74, nein. 7, S. 1026–1035, Juli 1986, doi: 10.1109 / PROC.1986.13580.

Choe, D. K., &; Charniak, E. (2016). Parsen als Sprachmodellierung. Vorträge der Konferenz 2016 über empirische Methoden in der Verarbeitung natürlicher Sprache. doi: 10.18653 / v1 / d16–1257

Mathur, P., Mauro, C., & Federico, M. (2013). Online-Lernansätze in der computergestützten Übersetzung. In Proceedings of the Eighth Workshop on Statistical Machine Translation (S. 301–308). Vereinigung für Computerlinguistik.

Liste der Tools und Dienste (die wir verwenden könnten):

Python – https://www.python.org/

R – https://www.r-project.org/

Rstudio – https://rstudio.com/

AWS-Dienste – https://aws.amazon.com/

NUGU-API – https://developers.nugu.co.kr/

Anaconda – https: //www.anaconda.com/

Keras – https://keras.io/

Tensorflow – https://www.tensorflow.org/

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.