Search

S rastúcou popularitou hlbokých neurónových sietí, nedostatok transparentnosti spôsobenejich funkciou čiernej skrinky, zvyšuje dopyt po ich interpretácii. Cieľom tejto práce je získať nový pohľad na hlboké neurónové siete v úlohách spracovania reči. Konkrétne klasifikácia pohlavia z AudioMNIST datasetu a klasifikácia rečníka z filter bánk VoxCeleb datasetu s použitím konvolučnej a reziduálnej neurónovej siete. Na interpretáciu týchto neurónových sietí bola použitá metóda propagácie relevancií cez vrstvy. Táto metóda vytvorí tepelnú mapu, ktorá vyznačí príznaky, ktoré prispeli ku správnej klasifikácii pozitívne a ktoré negatívne. Ako výsledky interpretácie ukazujú, klasifikácie boli založené najmä na nižších frekvenciách v reči a čase. V prípade klasifikácie pohlavia sa mi podarilo nájsť vysokú závislosť modelu na veľmi malom počte príznakov. Pomocou získaných informácií som vytvoril rozšírený trénovací set, ktorý zvýšil robustnosť modelu., With the growing popularity of deep neural networks, the lack of transparency caused by their black box representation is raising demand for their interpretability. The goal of this thesis is to gain new insights into deep neural networks in speech processing tasks. Specifically, gender classification task on AudioMNIST dataset and speaker classification task on filterbanks from VoxCeleb dataset using convolutional and residual neural network. Layer-wise relevance propagation was used for the interpretation of these neural networks. This method produced heatmaps highlighting features that contributed positively and negatively to the correct classification. As results of interpretation show, classifications were mainly based on lower frequencies in time. In the case of gender classification, I managed to find the model's high dependency on a small number of features. Using obtained information, I created an augmented training set that increased the model's robustness.

Tato práce se zabývá tématem 3D tisku. Hlavním cílem bylo vytvoření reálné tiskárny s tuhou konstrukcí snižující vliv vůlí na přesnost a kvalitu tisku. Návrh 3D tiskárny a jejích částí zaznamenal značné ovlivnění projektem RepRap, zejména strojem Rostock stavícím na delta kinematice a Fused Deposition Modeling. Výsledná tiskárna využívá platformu Arduino Mega 2560, na níž běží modifikovaný firmware Marlin, a vlastní konstrukci extrudéru, který by měl zabránit tavení plastové struny ve vodicí trubičce díky velkému chladiči. Experimentálně byla vyhodnocena přesnost 3D tiskárny, která se pohybuje v rozmezí +-0,1 mm., This thesis deals with the topic of 3D printing. The primary aim was to build a real printer with a stiff construction minimizing clearance, which affects the accuracy and quality of printing. The design of the 3D printer and its parts was highly influenced by the RepRap project, especially by the Rostock printer using the delta kinematics and Fused Deposition Modeling. The printer electronics is based on the Arduino Mega 2560 platform running a modified Marlin firmware. It uses a newly designed extruder that should prevent a filament from melting in a guide tubule due to a large heatsink. The experiments carried out show that the accuracy of the printer is within +-0,1 mm.

Na separáciu zdrojov z hudobných nahrávok sa používajú neurónové siete. Jednou z takýchto sietí je Conv-TasNet. Cieľom práce je experimentovať s už existujúcou implementáciou tejto siete za účelom potenciálneho zlepšenia. Trénovanie modelov prebiehalo na dátovej sade MUSDB18. Postupne sa experimentovalo so zmenou štruktúry siete, transformáciou signálov z časovej domény do frekvenčnej pre účely počítania objektívnej funkcie, zámenou rôznych objektívnych funkcií za pôvodnú, hľadaním optimálneho koeficientu rýchlosti učenia pre každú objektívnu funkciu a jeho postupným zmenšovaním v priebehu učenia. Ako najlepšie experimenty podla metriky SDR vyšli trénovania s objektívnymi funkciami L1 a logaritmickou L2 v časovej doméne pri vyššom počiatočnom koeficiente rýchlosti učenia s jeho postupným zmenšovaním v priebehu učenia. V relatívnom porovnaní najlepších modelov oproti východziemu ide o viac ako 2,5% zlepšenie., Neural networks are used for the problem of music source separation from recordings. One such network is Conv-TasNet. The aim of the work is to experiment with the already existing implementation of this network for the purpose of potential improvement. The models were trained on the MUSDB18 dataset. It was successively experimented with the change of the network structure, transforming signals from the time domain to the frequency domain for the purpose of calculating the loss function, replacing different loss functions with the original one, finding the optimal learning rate for each loss function and gradually decreasing the learning rate during the learning process. The best experiments according to the SDR metric were training with loss functions L1 and logarithmic L2 in the time domain with a higher initial learning rate with its gradual decrease during the learning process. In a relative comparison of the best models to the baseline, it is more than 2.5% improvement.

Tahle práce pojednává o~možnosti použití prostorových informací pro odhadnutí masek pro cíle, které je uvedeno v~článku \textit{Bootstrapping single-channel source separation via unsupervised spatial clustering on stereo mixtures}. Tahle myšlenka umožňuje použití neumělých náhrávek směsice signálů pro trénování systémů separace řečníků, které používají neuronové sítě. V~práci jsou zmíněny dvě trénovací metotody a to permutačně invariantní trénování a dále pak metoda deep clustering. Tyto metody jsou použity pro experimenty s~trénováním neuronových sítí s~použítím masek cílů, které jsou odhadnuty pomocí prostorové informace. Výsledkem práce je porovnání výsledků těchto experimentů s~výsledky výše zmíněného článku. Tohle porovnání ukázalo, že použití odhadnutých masek za pomoci prostorových informací, může vést ke kvalitnímu natrénování systému separace řečníků., This thesis discusses the idea of using spatial cues in speech separation for estimating target masks, that is stated in article \textit{Bootstrapping single-channel source separation via unsupervised spatial clustering on stereo mixtures}. This idea may make it possible to use real-world mixtures for the training of speech separation systems, which use neural networks. In the thesis two training methods, permutation invariant training and deep clustering method are mentioned and used for experiments with training neural networks using target masks estimated by spatial cues. The result of the work is a comparison of the results of these experiments with the results of the above-mentioned article. This comparison showed that the use of estimated masks with the help of spatial information can lead to a quality training of the speaker separation system.

Tato práce se zabývá tématem 3D tisku. Hlavním cílem bylo vytvoření reálné tiskárny s tuhou konstrukcí snižující vliv vůlí na přesnost a kvalitu tisku. Návrh 3D tiskárny a jejích částí zaznamenal značné ovlivnění projektem RepRap, zejména strojem Rostock stavícím na delta kinematice a Fused Deposition Modeling. Výsledná tiskárna využívá platformu Arduino Mega 2560, na níž běží modifikovaný firmware Marlin, a vlastní konstrukci extrudéru, který by měl zabránit tavení plastové struny ve vodicí trubičce díky velkému chladiči. Experimentálně byla vyhodnocena přesnost 3D tiskárny, která se pohybuje v rozmezí +-0,1 mm., This thesis deals with the topic of 3D printing. The primary aim was to build a real printer with a stiff construction minimizing clearance, which affects the accuracy and quality of printing. The design of the 3D printer and its parts was highly influenced by the RepRap project, especially by the Rostock printer using the delta kinematics and Fused Deposition Modeling. The printer electronics is based on the Arduino Mega 2560 platform running a modified Marlin firmware. It uses a newly designed extruder that should prevent a filament from melting in a guide tubule due to a large heatsink. The experiments carried out show that the accuracy of the printer is within +-0,1 mm.

Cieľom tejto práce bolo implementovať model na separáciu gitarového zvuku z nahrávky a použiť ho v praktickej aplikácii. Bolo nutné manuálne vytvoriť vlastný trénovací dataset z remixov piesní a upraviť existujúci MedleyDB dataset pre naše účely. Ako základ neurónovej siete sme si vybrali Demucs architektúru, ktorú sme od základu učili rozdeľovať audio súbory na celkovo päť samostatných nahrávok obsahujúcich bicie, basgitaru, vokály, gitaru a zvyšné nástroje. Celkovo sme na MetaCentre natrénovali päť rôznych modelov, ktoré boli objektívne aj subjektívne vyhodnotené. Implementovaná aplikácia slúži ako hudobný prehrávač a zároveň výučbový nástroj. Hlavnou funkcionalitou je, že umožňuje používateľovi počúvať izolovaný nástroj, napríklad gitaru, a vďaka tomu sa ľahšie učia piesne podľa sluchu. Aplikácia bola podrobená užívateľskému testovaniu a zistené poznatky budú využité pri ďalšom vývoji., This thesis aims to implement a model capable of separating guitar sounds from a recording and use it in a practical application. It was necessary to manually create our dataset from remixes of songs and modify the existing MedleyDB dataset for our purposes. We have chosen Demucs architecture as a basis for our neural network. We trained it from scratch to separate audio files into five distinct recordings containing drums, bass, vocals, guitars, and other accompaniment. We trained five models on MetaCentrum, which we evaluated objectively and subjectively. The implemented application serves as both a music player and an educational tool. The main feature is to allow users to listen to isolated instruments, for example, a guitar, and therefore more easily learn songs by ear. The application was subjected to user testing, and the knowledge learned will be used in future development.

Na separáciu zdrojov z hudobných nahrávok sa používajú neurónové siete. Jednou z takýchto sietí je Conv-TasNet. Cieľom práce je experimentovať s už existujúcou implementáciou tejto siete za účelom potenciálneho zlepšenia. Trénovanie modelov prebiehalo na dátovej sade MUSDB18. Postupne sa experimentovalo so zmenou štruktúry siete, transformáciou signálov z časovej domény do frekvenčnej pre účely počítania objektívnej funkcie, zámenou rôznych objektívnych funkcií za pôvodnú, hľadaním optimálneho koeficientu rýchlosti učenia pre každú objektívnu funkciu a jeho postupným zmenšovaním v priebehu učenia. Ako najlepšie experimenty podla metriky SDR vyšli trénovania s objektívnymi funkciami L1 a logaritmickou L2 v časovej doméne pri vyššom počiatočnom koeficiente rýchlosti učenia s jeho postupným zmenšovaním v priebehu učenia. V relatívnom porovnaní najlepších modelov oproti východziemu ide o viac ako 2,5% zlepšenie., Neural networks are used for the problem of music source separation from recordings. One such network is Conv-TasNet. The aim of the work is to experiment with the already existing implementation of this network for the purpose of potential improvement. The models were trained on the MUSDB18 dataset. It was successively experimented with the change of the network structure, transforming signals from the time domain to the frequency domain for the purpose of calculating the loss function, replacing different loss functions with the original one, finding the optimal learning rate for each loss function and gradually decreasing the learning rate during the learning process. The best experiments according to the SDR metric were training with loss functions L1 and logarithmic L2 in the time domain with a higher initial learning rate with its gradual decrease during the learning process. In a relative comparison of the best models to the baseline, it is more than 2.5% improvement.

Tato práce se zabývá simulací akustiky místností. V práci jsou nejprve teoreticky popsány existující přístupy k simulaci akustiky a srovnány jejich přednosti a nevýhody. K výpočtu odezvy místnosti bylo implementováno několik geometrických metod jako ray tracing a obrazová metoda, ale i kombinace těchto metod. Byla vytvořena aplikace s grafickým i textovým uživatelským rozhraním, která umožňuje provést simulaci v místnosti libovolného tvaru. Aplikace také umožňuje získat odezvu ve formě zvukového souboru, znázornit uživateli výsledky a postup simulace a provést auralizaci. Výstupy simulace byly porovnány s naměřenými odezvami skutečných místností. Při porovnání se ukázalo, že nejvyšší přesnosti z implementovaných metod dosahuje hybridní metoda ve středních nebo větších prázdných místnostech., This thesis deals with simulation of room acoustics. The first part of this thesis contains theoretical description of existing aproaches to simulation of acoustics and compares their strenghts and weaknesses. For the purpose of impulse response calculation, several geometrical methods were implemented, such as ray tracing, image method and a combination of those two methods. Application with graphical and text user interface was created, to allow simulation of rooms with arbitrary geometry. The application also allows user to obtain impulse response in a form of a sound file, to visualize the results and the process of sound simulation and to perform auralization. The results of the simulation were compared with measured impulse responses of real rooms. The comparison showed, that the hybrid method is the most accurate of methods implemented in this thesis, and that the best results are achieved by simulation of empty medium-sized or large rooms.

Tato práce se zabývá analýzou a porovnáním kombinací informací více-kanálových řečových dat pro úlohu verifikace mluvčího. Byly zvoleny tři úrovně/reprezentace pro fúzi dat: kombinace na úrovni signálu, embeddingu a skóre. Na úrovni signálu jsou implementovány prostorové filtry (algoritmy formování svazku – beamforming). Řečové nahrávky slouží jako vstup do neuronové sítě (architektura ECAPA-TDNN), která extrahuje „embeddingy“, vektorovou reprezentaci mluvčího. Vektory jsou dále porovnány pomocí kosinové podobnosti, jehož výsledkem jsou skóre, reálná čísla. Nejlepšího relativního zlepšení proti jedno-kanálovým nahrávkám dosahuje fúze na úrovni skóre (až 70 %), nejkonzistentnější výsledky pro různé podmínky pořizování nahrávek poskytuje fúze na úrovni embeddingu., In this work, we deal with the analysis and comparison of information combinations of multi-channel speech data for a speaker verification task. Three levels/representations were chosen for data fusion: signal-level, embedding-level, and score-level. At the signal level, spatial filters (beamforming) are implemented. Speech recordings serve as input to a neural network (ECAPA-TDNN architecture) that extracts embeddings, vector representations of the speaker. The vectors are further compared by cosine similarity module that results in scores, real numbers. Score-level fusion achieves the best relative improvement against single-channel recordings (up to 70 %). Embedding-level fusion provides the most consistent results for different recording conditions.

Tato práce navazuje na diplomovou práci pana Martina Lacha. Zabývá se systémem na zpracování audia od firmy Audified. Práce pojednává o zpříjemnění ovládání systému, testování funkcí systému s případnými modifikacemi, rozšíření současné funkcionality a vytvoření webové aplikace pro usnadnění zaznamenávání metadat o nahrávání. Také obsahuje návody pro zacházení se systémem a používání zmíněných aplikací., This work follows up on Marin Lach's thesis. It deals with Audified Audio Processing System. The work is about making control of the system more pleasant, testing the functionality of the system with eventual modifications, extending the current functionality and creating a web application to ease the collecting of metadata about the recording. It also contains manuals for dealing with the system and using the mentioned applications.

Tahle práce pojednává o~možnosti použití prostorových informací pro odhadnutí masek pro cíle, které je uvedeno v~článku \textit{Bootstrapping single-channel source separation via unsupervised spatial clustering on stereo mixtures}. Tahle myšlenka umožňuje použití neumělých náhrávek směsice signálů pro trénování systémů separace řečníků, které používají neuronové sítě. V~práci jsou zmíněny dvě trénovací metotody a to permutačně invariantní trénování a dále pak metoda deep clustering. Tyto metody jsou použity pro experimenty s~trénováním neuronových sítí s~použítím masek cílů, které jsou odhadnuty pomocí prostorové informace. Výsledkem práce je porovnání výsledků těchto experimentů s~výsledky výše zmíněného článku. Tohle porovnání ukázalo, že použití odhadnutých masek za pomoci prostorových informací, může vést ke kvalitnímu natrénování systému separace řečníků., This thesis discusses the idea of using spatial cues in speech separation for estimating target masks, that is stated in article \textit{Bootstrapping single-channel source separation via unsupervised spatial clustering on stereo mixtures}. This idea may make it possible to use real-world mixtures for the training of speech separation systems, which use neural networks. In the thesis two training methods, permutation invariant training and deep clustering method are mentioned and used for experiments with training neural networks using target masks estimated by spatial cues. The result of the work is a comparison of the results of these experiments with the results of the above-mentioned article. This comparison showed that the use of estimated masks with the help of spatial information can lead to a quality training of the speaker separation system.

Práca sa venuje problematike softvérových hudobných efektov a ich implementácii. Rieši návrh a implementáciu programu Glitch Machine, ktorý patrí medzi hudobné multiefektové programy a demonštruje simultánne použitie rôznych hudobných efektov pre úpravu zvukových signálov. Výsledkom je program pre systém Windows, ktorý využíva spoluprácu rôznych efektov, a to konkrétne filter, reverb, distortion, extractor, reverz, stutter, shifter, pitch resample a gain. Umožňuje rozsiahlu a detailnú úpravu zvukovej stopy a vyššiu mieru manipulácie so zvukmi, než pri samostatných hudobných efektoch. Ďalšími súčasťami programu sú aj zobrazenia zvukovej vlny a frekvenčného spektra zvukových signálov a možnosť načítania a ukladania efektových presetov. Program bol testovaný vlastnými testami výkonu a využívania pamäte a tiež užívateľským testovaním kvality a grafického rozhrania., This thesis addresses software music effects and their implementation. It shows design and implementation of the Glitch Machine, which belongs to the music multieffect programs and demonstrates the simultaneous use of various music effects to process audio signals. The result is a program for Windows OS, which utilizes cooperation of various effects, namely a filter, reverb, distortion, extractor, reverz, stutter, shifter, pitch resample and gain. It allows extensive and detailed editing of an audio track and a higher extent of manipulation with sounds, than with single music effects. Other components of the program include visualisations of the waveform and frequency spectrum of audio signals and an option for loading and saving effect presets. The program was tested in tests of the performance and memory usage and also with user testing of quality and graphical interface.

Tato diplomová práce se zabývá problematikou vzdáleného rozpoznávání mluvčích. V případě dat zachycených odlehlým mikrofonem se přesnost standardního rozpoznávání značně snižuje, proto jsem navrhl dva přístupy pro zlepšení výsledků. Prvním z nich je použití mikrofonního pole (záměrně rozestavené sady mikrofonů), které je schopné nasměrovat virtuální "paprsek" na pozici řečníka. Dále jsem prováděl adaptaci komponent systému (PLDA skórování a extraktoru i-vektorů). S využitím simulace pokojových podmínek jsem syntetizoval trénovací a testovací data ze standardní datové sady NIST 2010. Ukázal jsem, že obě techniky a jejich kombinace vedou k výraznému zlepšení výsledků. Dále jsem se zabýval společným určením identity a pozice mluvčího. Zatímco výsledky ve venkovním simulovaném prostředí (bez ozvěn) jsou slibné, výsledky z interiéru (s ozvěnami) jsou smíšené a vyžadují další prozkoumání. Na závěr jsem mohl systémem vyhodnotit omezené množství reálných dat získaných přehráním a záznamem nahrávek ve skutečné místnosti. Zatímco výsledky pro mužské nahrávky odpovídají simulaci, výsledky pro ženské nahrávky nejsou přesvědčivé a vyžadují další analýzu., This thesis addresses the problem of remote speaker recognition. The accuracy of standard speaker recognition decreases considerably in the presence of far-field data, therefore, we devised two strategies to improve the results. First, we employed a microphone array (purposely positioned set of microphones) that is able to steer a virtual "beam" to the position of the speaker. We also performed system adaptation of different parts of the system (PLDA scoring and i-vector extraction). We have synthesized our training and test data from the standard NIST 2010 data by room simulation and we have shown that both techniques and their combination significantly improve the results. We have also dealt with joint speaker identity and position estimation. While the results in simulated outdoor environment (reverberation-free) are encouraging, the results from interiors (with reverberation) are mixed and require further investigation. Finally, we were able to test our system on a limited amount of real re-transmitted data. While the results for male speakers match the simulation, the results for females are not convincing and need further analysis.

Cieľom tejto práce je implementácia robustnej aplikácie pre operačný systém Android, ktorá je schopná dlhodobého a spoľahlivého nahrávania audia prostredníctvom interného alebo externého mikrofónu. Zahŕňa aj implementáciu vzdialeného serveru, na ktorý aplikácia odosiela nahrané audio. V rámci riešenia je použitá technika nahrávania na Androide, riadenie odosielania pomocou viacerých vlákien a jednoduchý protokol na komunikáciu. Vytvorená aplikácia je v súlade so všetkými vyššie spomenutými požiadavkami., The purpose of this project is the implementation of a robust Android application capable of a long-term and reliable audio recording using internal or external microphone. It also includes implementation of a remote server where the application sends its recorded audio. The solution includes Android audio recording technique, data sending management using multiple threads and a simple communication protocol. The final product complies with all of the above-mentioned requirements.

Tato práce se zabývá problematikou určení přibližné polohy zdroje zvuku v souřadném systému pomocí mikrofonního pole. Zabývá se všemi vlivy na určení polohy pomocí audio signálů. Vysvětluje základní principy metod, které jsou využity pro detekci zdroje zvuku. Je zde uveden návrh řešení pro synchronizované statické nahrávky a dále úprava pro běh v reálném čase na sestavě systému ARM/SHARC, která má omezený výkon. Součástí řešení je také testování jednotlivých komponent a jejich parametrů. Znázorňuje vliv změn těchto parametrů na chování systému. Současně jsou popsány experimenty s výslednou aplikací ukazující změnu výsledků při výpočtu bez výkonnostního omezení a při běhu na zvukové kartě. Na závěr jsou uvedena doporučení a předpoklady jak docílit lepších výsledků při využívání programu a jak eliminovat omezení systému za nepříznivých podmínek., This thesis describes the problem of determining the approximate position of a sound source in a coordinate system needed using the microphone field. It covers all possible variables influencing the detection of the sound source and explains the basic methods which can be used to determine the origin of the sound. The solution proposed in this thesis is to use synchronized static recordings and further modifications for running the program in real-time on the provided ARM/SHARC system, which has limited performance. This thesis contains also tests of the individual components and their parameters. The effect of changing these parameters on the behavior of the system is also shown in this thesis. Additionally, the developed application is used to perform the experiments demonstrating the shift of results during computation without any limitations and when running on the sound system. It also shows experiments with the resulting application, how the results change when calculating without performance limitation and when running on a sound card. Finally, this thesis gives several recommendations and assumptions on how to improve the results when using the program and how to eliminate several system limitations in unfavorable conditions.

Hlavním cílem této diplomové práce bylo navrhnout a implementovat systém, který bude schopný odhadnout obličej na základě řeči daného člověka. Tento problém je vyřešen pomocí systému složeného ze tří modelů konvolučních neuronových sítí. První z nich je založen na architektuře ResNet a slouží pro extrahování příznaků z hlasových nahrávek. Druhým modelem je plně konvoluční neuronová síť, která převádí tyto příznaky na styly, na základě kterých bude upravován výsledný obrázek obličeje. Získané styly jsou poté předávány na vstup generátoru StyleGAN pro vygenerování výsledného obličeje. Navržený systém je implementován v programovacím jazyce Python s využitím frameworku PyTorch. V poslední kapitole práce je rozebráno a vyhodnoceno několik důležitých experimentů prováděných v rámci ladění a testování vytvořeného systému., The main goal of this thesis is to design and implement a system that will be able to generate a face based on the speech of a given person. This problem is solved using a system composed of three convolutional neural network models. The first one is based on the ResNet architecture and is used to extract features from speech recordings. The second model is a fully convolutional neural network which converts the extracted features into the styles which form a base for the final facial image. These styles are then passed as an input to the StyleGAN generator, which creates the resulting face. The proposed system is implemented in the Python programming language using the PyTorch framework. The last chapter of the thesis discusses some of the most significant experiments performed to fine-tune and test the developed system.

Cieľom tejto práce bolo implementovať model na separáciu gitarového zvuku z nahrávky a použiť ho v praktickej aplikácii. Bolo nutné manuálne vytvoriť vlastný trénovací dataset z remixov piesní a upraviť existujúci MedleyDB dataset pre naše účely. Ako základ neurónovej siete sme si vybrali Demucs architektúru, ktorú sme od základu učili rozdeľovať audio súbory na celkovo päť samostatných nahrávok obsahujúcich bicie, basgitaru, vokály, gitaru a zvyšné nástroje. Celkovo sme na MetaCentre natrénovali päť rôznych modelov, ktoré boli objektívne aj subjektívne vyhodnotené. Implementovaná aplikácia slúži ako hudobný prehrávač a zároveň výučbový nástroj. Hlavnou funkcionalitou je, že umožňuje používateľovi počúvať izolovaný nástroj, napríklad gitaru, a vďaka tomu sa ľahšie učia piesne podľa sluchu. Aplikácia bola podrobená užívateľskému testovaniu a zistené poznatky budú využité pri ďalšom vývoji., This thesis aims to implement a model capable of separating guitar sounds from a recording and use it in a practical application. It was necessary to manually create our dataset from remixes of songs and modify the existing MedleyDB dataset for our purposes. We have chosen Demucs architecture as a basis for our neural network. We trained it from scratch to separate audio files into five distinct recordings containing drums, bass, vocals, guitars, and other accompaniment. We trained five models on MetaCentrum, which we evaluated objectively and subjectively. The implemented application serves as both a music player and an educational tool. The main feature is to allow users to listen to isolated instruments, for example, a guitar, and therefore more easily learn songs by ear. The application was subjected to user testing, and the knowledge learned will be used in future development.

Tato diplomová práce se zabývá problematikou vzdáleného rozpoznávání mluvčích. V případě dat zachycených odlehlým mikrofonem se přesnost standardního rozpoznávání značně snižuje, proto jsem navrhl dva přístupy pro zlepšení výsledků. Prvním z nich je použití mikrofonního pole (záměrně rozestavené sady mikrofonů), které je schopné nasměrovat virtuální "paprsek" na pozici řečníka. Dále jsem prováděl adaptaci komponent systému (PLDA skórování a extraktoru i-vektorů). S využitím simulace pokojových podmínek jsem syntetizoval trénovací a testovací data ze standardní datové sady NIST 2010. Ukázal jsem, že obě techniky a jejich kombinace vedou k výraznému zlepšení výsledků. Dále jsem se zabýval společným určením identity a pozice mluvčího. Zatímco výsledky ve venkovním simulovaném prostředí (bez ozvěn) jsou slibné, výsledky z interiéru (s ozvěnami) jsou smíšené a vyžadují další prozkoumání. Na závěr jsem mohl systémem vyhodnotit omezené množství reálných dat získaných přehráním a záznamem nahrávek ve skutečné místnosti. Zatímco výsledky pro mužské nahrávky odpovídají simulaci, výsledky pro ženské nahrávky nejsou přesvědčivé a vyžadují další analýzu., This thesis addresses the problem of remote speaker recognition. The accuracy of standard speaker recognition decreases considerably in the presence of far-field data, therefore, we devised two strategies to improve the results. First, we employed a microphone array (purposely positioned set of microphones) that is able to steer a virtual "beam" to the position of the speaker. We also performed system adaptation of different parts of the system (PLDA scoring and i-vector extraction). We have synthesized our training and test data from the standard NIST 2010 data by room simulation and we have shown that both techniques and their combination significantly improve the results. We have also dealt with joint speaker identity and position estimation. While the results in simulated outdoor environment (reverberation-free) are encouraging, the results from interiors (with reverberation) are mixed and require further investigation. Finally, we were able to test our system on a limited amount of real re-transmitted data. While the results for male speakers match the simulation, the results for females are not convincing and need further analysis.

Tato práce se zabývá simulací akustiky místností. V práci jsou nejprve teoreticky popsány existující přístupy k simulaci akustiky a srovnány jejich přednosti a nevýhody. K výpočtu odezvy místnosti bylo implementováno několik geometrických metod jako ray tracing a obrazová metoda, ale i kombinace těchto metod. Byla vytvořena aplikace s grafickým i textovým uživatelským rozhraním, která umožňuje provést simulaci v místnosti libovolného tvaru. Aplikace také umožňuje získat odezvu ve formě zvukového souboru, znázornit uživateli výsledky a postup simulace a provést auralizaci. Výstupy simulace byly porovnány s naměřenými odezvami skutečných místností. Při porovnání se ukázalo, že nejvyšší přesnosti z implementovaných metod dosahuje hybridní metoda ve středních nebo větších prázdných místnostech., This thesis deals with simulation of room acoustics. The first part of this thesis contains theoretical description of existing aproaches to simulation of acoustics and compares their strenghts and weaknesses. For the purpose of impulse response calculation, several geometrical methods were implemented, such as ray tracing, image method and a combination of those two methods. Application with graphical and text user interface was created, to allow simulation of rooms with arbitrary geometry. The application also allows user to obtain impulse response in a form of a sound file, to visualize the results and the process of sound simulation and to perform auralization. The results of the simulation were compared with measured impulse responses of real rooms. The comparison showed, that the hybrid method is the most accurate of methods implemented in this thesis, and that the best results are achieved by simulation of empty medium-sized or large rooms.