A Smart NLP System for Tamasheq – Arabic Bilingual Corpus Building

Abstract

ABSTRACT : This thesis explores the challenges and innovative approaches in the domains of speech recognition and machine translation, with a particular focus on addressing the complexities associated with low-resource languages. It delves into various methodologies, including Multilayer Perceptrons (MLPs), Hidden Markov Models (HMMs), Transfer Learning, Prior Models, and Multilingual Learning, providing a comprehensive overview of the state-of-the-art techniques. Through in-depth analysis and comparative studies, this thesis reveals the strengths and limitations of each approach and lays the foundation for further research and development in the field. The study culminates with an examination of low-resource scenarios in the Tamasheq language, shedding light on the challenges faced and potential solutions for improving automatic speech recognition (ASR) and speech translation (ST) in such environments. ***

Résumé :

Cette thèse explore les défis et les approches innovantes dans les domaines de la reconnaissance vocale et de la traduction automatique, avec un accent particulier sur la résolution des complexités associées aux langues à faibles ressources. Il explore diverses méthodologies, notamment les perceptrons multicouches (MLP), les modèles de Markov cachés (HMM), l’apprentissage par transfert, les modèles antérieurs et l’apprentissage multilingue, offrant un aperçu complet des techniques de pointe. Grâce à une analyse approfondie et des études comparatives, cette thèse révèle les forces et les limites de chaque approche et jette les bases de recherches et de développements ultérieurs dans le domaine. L’étude se termine par un examen de scénarios à faibles ressources dans la langue tamasheq, mettant en lumière les défis rencontrés et les solutions potentielles pour améliorer la reconnaissance automatique de la parole (ASR) et la traduction vocale (ST) dans de tels environnements.