Diarizace řečníků a syntéza přeloženého hlasu ve videu

Abstract

Diplomová práce se zabývá zpracováním hlasových dat se zaměřením na speaker diarization a kloování hlasu jako klíčové technologie pro automatizovanou lokalizaci audiovizuálního obsahu. Teoretická část shrnuje principy diarizace mluvčích, moderní přístupy k syntéze a klonování hlasu a současné architektury využívající hluboké učení. Praktická část se věnuje návrhu a rozboru implementace systému, který propojuje transkripci, časové zarovnání řeči, diarizaci, překlad a syntézu hlasu do jedné zpracovatelské pipeline. Součástí práce je rovněž evaluace navrženého řešení s využi tím state-of-the-art metrik pro hodnocení kvality diarizace a výsledného zpracování řeči. Práce tak propojuje teoretický přehled současných metod s praktickou implementací systému pro vícejazyčnou lokalizaci videoobsahu.

This master’s thesis focuses on speech data processing, with particular emphasis on speaker diariza tion and voice cloning as key technologies for the automated localization of audiovisual content. The theoretical part summarizes the principles of speaker diarization, modern approaches to speech syn thesis and voice cloning, and current deep learning-based architectures. The practical part presents the design and implementation analysis of a system that integrates transcription, speech alignment, diarization, translation, and voice synthesis into a single processing pipeline. The thesis also in cludes an evaluation of the proposed solution using state-of-the-art metrics for assessing diarization quality and overall speech processing performance. The work thus connects a theoretical overview of current methods with the practical implementation of a system for multilingual video localization.