Viseme set identification from Malayalam phonemes and allophones

Kumar, K. T. Bibish; Kumar, Rohit; Sandesh, Epa; Sourabh, Sumit; Lajish, V L

doi:10.1007/s10772-019-09655-0

Cited by 2 publications

(1 citation statement)

References 42 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…dan dengan pendekatan data driven (Arifin, 2013). Selain bahasa Indonesia pemetaan fonem ke viseme bahasa Malaysia juga pernah diteliti menggunakan pendekatan linguistik dan data driven (Kumar et al, 2019), bahasa Marathi dengan pendekatan linguistik (Brahme & Bhadade, 2017), bahasa Arab dengan pendekatan linguistik (Damien et al, 2009) dan bahasa Jerman dengan pendekatan linguistik (Bianca & Christian, 2005). Tentu peneltian tersebut menjadi tantangan untuk bahasa lainnya, salah satunya adalah bahasa Madura.…”

Section: Pendahuluanunclassified

Identifikasi Viseme Untuk Fonem Bahasa Madura Berbasis Clustering Berdasarkan Facial Landmark Point

Andriyanto,

San,

Setyati

2023

J-INTECH

View full text Add to dashboard Cite

Bentuk bahasa yang paling efektif dalam berkomunikasi adalah bahasa lisan atau bicara. Ketika berbicara manusia akan menggerakkan mulut dan bibirnya untuk mengucapkan kata tertentu. Model gerakan mulut dan bibir ini menggambarkan suatu viseme (visual-phonem), yaitu sekelompok fonem yang memiliki visual atau tampilan yang hampir sama. Bahasa Madura merupakan bahasa yang unik dan memiliki beberapa ciri tertentu. Selain mempunyai tingkat bahasa, bahasa Madura mempunyai fonem-fonem yang beraspirasi atau pengucapan kata dengan cara dihembuskan seperti: /bh/, /dh/, /Dh/, /gh/ dan /jh/ yang tidak ada pada bahasa lainnya. Peneltian ini membahas tentang identifikasi kelas-kelas viseme untuk fonem bahasa Madura berbasis clustering berdasarkan facial landmark point. Dari 47 fonem bahasa Madura diperoleh 9 viseme bahasa Madura yang dihasilkan dari proses K-Means clustering. Proses clustering menggunakan ekstraksi fitur berdasarkan facial landmark point sehingga diperoleh perhitungan jarak pada setiap fitur. Fitur-fitur yang digunakan adalah fitur geometri. Model viseme bahasa Madura digunakan untuk membangun animasi mulut 2D dalam mengucapkan kata atau kalimat bahasa Madura berdasarkan inputan berupa teks. Manfaat dari penelitian ini adalah untuk tujuan pembelajaran dalam pengucapan kata atau kalimat bahasa Madura, karena bahasa Madura memiliki tulisan dan cara pengucapan yang berbeda.

show abstract

Section: Pendahuluanunclassified

Identifikasi Viseme Untuk Fonem Bahasa Madura Berbasis Clustering Berdasarkan Facial Landmark Point

Andriyanto,

San,

Setyati

2023

J-INTECH

View full text Add to dashboard Cite

show abstract

Reconstruction of Phase Space and Eigenvalue Decomposition from a Biological Time Series: A Malayalam Speech Signal Case Study

Muraleedharan

Kumar

et al. 2021

J. Inter. Net.

View full text Add to dashboard Cite

Our objective is to describe the speech production system from a non-linear physiological system perspective and reconstruct the attractor from the experimental speech data. Mutual information method is utilized to find out the time delay for embedding. The False Nearest Neighbour (FNN) method and Principal Component Analysis (PCA) method are used for optimizing the embedding dimension of time series. The time series obtained from the typical non-linear systems, Lorenz system and Rössler system, is used to standardize the methods and the Malayalam speech vowel time series of both genders of different age groups, sampled at three sampling frequencies (16[Formula: see text]kHz, 32[Formula: see text]kHz, 44.1[Formula: see text]kHz), are taken for analysis. It was observed that time delay varies from sample to sample and, it ought to be better to figure out the time delay with the embedding dimension analysis. The embedding dimension is shown to be independent of gender, age and sampling frequency and can be projected as five. Hence a five-dimensional hyperspace will probably be adequate for reconstructing attractor of speech time series.

show abstract

Viseme set identification from Malayalam phonemes and allophones

Cited by 2 publications

References 42 publications

Identifikasi Viseme Untuk Fonem Bahasa Madura Berbasis Clustering Berdasarkan Facial Landmark Point

Identifikasi Viseme Untuk Fonem Bahasa Madura Berbasis Clustering Berdasarkan Facial Landmark Point

Reconstruction of Phase Space and Eigenvalue Decomposition from a Biological Time Series: A Malayalam Speech Signal Case Study

Contact Info

Product

Resources

About