Int ern at i onal  Journ al of Ele ctrical  an d  Co mput er  En gin eeri ng   (IJ E C E)   Vo l.   9 , No .   5 ,  Octo ber   201 9 , pp.  3642 ~ 36 48   IS S N:  20 88 - 8708 ,  DOI: 10 .11 591/ ijece . v 9 i 5 . pp3642 - 36 48           3642       Journ al h om e page :  http: // ia es core .c om/ journa ls /i ndex. ph p/IJECE   Sp ee ch t o text  conversion  and su mm ar i zation for  eff ective  un derstandi ng and docum entation       Vinn ara s u  A . ,  D eep a V .   Jos e   Depa rtment  o f  C om pute r  Scie n ce,  CHRIS T  (De e m ed  to  b e  Unive rsit y ) ,   Ind ia       Art ic le  In f o     ABSTR A CT    Art ic le  history:   Re cei ved   J a n   17 , 2 01 9   Re vised  A pr   1 ,  201 9   Accepte d  Apr   1 0 , 20 19       Speec h,   is  th e  m ost  powerful   wa y   of   comm unic a ti on  wi th  w hic h  hum an   bei ngs  expr ess  the ir  thought s  and  fe el in gs  th rough  diffe r ent  la nguag es.   The   f ea tur es  of   spee ch   diffe rs  with  each  la ngu age .   How eve r,  eve n  whi le  comm unic at ing  in  the   sam e  la n guage ,   the   pa ce  and  the   di al e ct  var ie s  wit h   ea ch  p erson.   Th is  cre a te s  difficu lty   in  under st an ding  the   conv e yed  m essage   for  som e  peopl e.   Som et imes  l engt h y   sp eeche s   are   a lso  quit e   diffi cult  to   foll ow due   to  r eas ons such  as  diffe ren t  pronun ci a tion,  pace  and  so  on.   Speec h   rec ogni ti on  whi ch  is  an  int e r  di scipl inar y   f ield  of  computat ion a l  li nguisti cs  ai ds  in   dev el o ping  t ec hnolog i es  tha t  empow ers  the   rec ognit ion  and   tra nsla ti on  of  spee ch  in to  te xt .   Te xt  sum m ari za t ion  ext ra ct s  the   utmos t  important   infor m at ion  from   a  sour ce   which   is  a  te xt  an d  provide s   the   ad equate   su m m ary   of   th e  sa m e.   The re se arch work  pre sent e d  in  th is pa per   desc ribe s  an   ea s y   and  eff ec t ive   m et hod  for   spee ch  rec ogn it ion .   The   spee ch  is   conve rt ed  to  the  cor responding  t ext   and  produ ces   summ ari ze d  t e xt.   Th is  has   var ious  appl icat i ons  li ke  le ct ur e  note s  cre a ti on,   s um m ari zi ng  ca talogues  for  le ngth y   do cume nts  and  so  on.   Ext ensiv e  exp er imenta ti on   is  pe rform ed  t o  val id at e   th e  ef ficien c y   of the  p rop osed  m et hod.   Ke yw or d s :   Feat ur e  ex tr act ion   Natu ral  la ngua ge pr ocessi ng   Natu ral  la ngua ge  to olk it   Sp eec h reco gnit ion     Text s umm ariz at ion   Copyright   ©   201 9   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .    Al l   rights  reserv ed .   Corres pond in g  Aut h or :   Vinnaras u A . ,    Dep a rtm ent o f C om pu te r  Scie nce,   CHRIST  (Dee m ed  to  be Un i ver sit y),     Be ng al uru,   Ka rn at a ka,   India .   Em a il : vinn ara su .a @cs.c hr ist un i ver sit y.i n       1.   INTROD U CTION   Sp eec h  is  the  m os t  i m po rtan t  par t  of   com m un ic at ion   be tween  hum an  bein gs .  T houg h  there  are  diff e re nt  m ea ns   to   e xpress   our  t houg hts  an d  feeli ng,   sp eec h  is  c onside red  as  t he  m ai n  m edu im   fo r   com m un ic at ion .  S peec h  rec ogniti on   is  the   process  of  m akin g  a  m achi ne  rec ognize  the  sp eec h  of  diffre nt  people  base d  on  ce rtai n  w ords   or  phrase s.  Va riat ion s   in  the  pro nunc ia ti on   are   qu it e  eviden t  i n  each  ind ivi du al ’s  s pe ech.  T he  or ig inal  form   of   th e  sp eec h  is  a  sign al ,  a nd   a  si gn al   is  pr ocess ed  su c h  th at   al l  the  inf or m at ion   present  in  the  sign al   is  conve rted  in  to  the  te xt  fo rm at .  The  featur e  ext rac ti on   is  the  pro cess  of   ta kin g  a  sig nal   an d  c onver ti ng  it   to  t he  re qu ired  form at   wit h  certai n  lo gic.   Eve n  th ough  s peech  is  the  ea sie st   way  of  c omm un ic at io n,   t here  exist  s om e  pr oble m s  with  sp eech   rec ognit ion   li ke   the  flu ency,  pro nunci at ion ,   bro ken   wor ds,  stutt erin g  issues  et c.  All  these  ha ve  to  be  a ddre s sed  w hile  pr ocessin g  a  s peech.   Text  s umm arizat ion   is  on e  of  the  m ajo r  c on c epts  use d  i n  th e  fiel d  of   docu m entat ion .  Le ngthy  do c um ents  are   diff ic ult  to  read   an d  unde rs ta nd   as  it   con su m es  lot  of   tim e.  Text  s u m m arisat ion   so lves  this  pr ob le m   by pr ov i ding a  sh ort ene d sum m ary of  it   with  sem antic s.   In   the  pro pos ed  w ork  a  co m bin at ion   of   sp eec h  to  te xt   conversi on  and   te xt  su m m arisat ion   is   i m ple m ented.   This  hy br i d  m e thod  will   ai d  a pp li cat io ns   tha t  require  bri ef  su m m ary  of   le ng t hy  sp eec hes   wh ic h  is  quit e  us e fu l   f or   docum entat ion .  The   fl ow  diag ram   of   the  pr opos e d  a ppr oach  is  m e ntion e d  i n  Fig ure   1,   in  w hich   the  s peech  rec ognit ion   a nd  te xt  s um m arization   is   giv e n  as   tw o  diff e re nt  m od ul es.  The   com bin at ion   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N:  20 88 - 8708       Sp eec h  t o  te xt   con ve rsio n and  summariz atio n  fo r eff ect iv e u nderst anding  and d ocume ntat ion   ( Vin nara s u  A )   3643   of   the se  tw o  m odules  ai ds   a ny   app li cat ion   i n  w hich  s umm arizat ion   is  re quire d.   T he  first   and   forem os t  ste p  to  work   with  NL P  (N at ur al   La ngua ge  P ro ces sing)  is  to  e xtr act   the  featu re s  from   the  sp eech  w hich  has   so m e  values .  If   a  word   or  a  sentenc e  is  reco gn iz e d  as  m eaning le ss,  then  it   becom es  an  ob sta cl e  to  su m m ariz at io n  process .  E ve n  the  punct uation  play s  a   vital   ro le   in  su m m arization  as  sem antic s  is  im po rtant   w hile  su m m arisi ng  the text.           Figure  1. S pee ch reco gnit ion   and text s umm arisat ion   proce ss f lo w       2.   R EL ATED  W ORKS   Sp eec h  to  te xt  conver si on   fi nd s  a pp li cat io ns   in  var i ous  scenari os .  A n  eff ect ive  m et h od   to  gai n  flue ncy  in  En glish  la ngua ge   that  enh ance s   the  us er' s  way  of   sp eec h  th rou gh   co rrec tn ess  of   pr onunc ia ti on   fo ll owin g  the  En glish  ph on e ti cs  was  dev el op e d  by  J os e  et   al .   [1 ] .  A  com par at ive  an al ysi s  m entionin g  the   ben e fits  an d  de m erit s  of   the  va rio us   siz es  of   vo ca bula ry  s pe ech  rec ogniti on  syst em s  was  done  by  Siva kum ar  et   al .  [2 ] .   This   w ork  dem on s trat ed  the   r ole  of   la ngua ge  m od el   i n  im pr ov ing   t he  acc ur a cy   of   sp eec h  t o  te xt  conve rsion  with  diff e re nt sce nar i os   with  no i ses and  bro ke n w ords.     Yogita   et   al .  [3 ]   pr ese nted  a   m ulti l ing ual  s peech - to  te xt  conve rsion  sys tem   us ing   Me l - Fr e quency   Ce ps tral   Coe ffi ci ent  (MFCC )   featu re  e xtracti on   te c hn i qu e   and  Mi nim u m   Dista nce  Cl ass ifie r,   S upport  Vecto r   Ma chine  ( SVM )  m e tho ds  f or  sp eec h  cl assi ficat ion .  I n  [ 4]  a  m od el   to  c onver t  natu ral  Be ng al i  la ng uag e   to  te xt   was  pro po s ed   wh ic h  us e d  open  s ource  fr am ewor k  S phin x  4.   A uthors  cl ai m   an  aver a ge  of  71.7 %   accu ra cy   for  their  ap p r oach  in  the  te ste d  dataset .  Eng l ish  te xt  su m marisat ion   ba se d  on  associat ion   sem antic   ru le s  is  pro po se d  by  Wan   [ 5]. Accor ding  to  the  aut hor  the  ne w  ex tract ion   schem e  pr ove d  to  ha ve  bette r  co nverg e nce   and   pr eci si on  per f orm ance  in  the  extra ct ion   proce ss.   LDA   is  the   m os t  acce pted  al gorithm   for  te xt  cl assifi cat ion   base d  on  a  pa rtic ular  t op ic .   An  im pr ov em ent  of  t he  sam e  is  pro pose d  in  a  novel  sim il arity   com pu ta ti on  m et hod.   Saiy ed  an d  Sa j j a   [ 6]  ga ve  a n  br ie f   intr od uction  to  t he  cat egories  of  su m m arization  te chn i qu e s  highli gh ti ng   t he ir  ad va ntages   an d  dra wb ac ks .  This  w ork s  giv e s  insi ghts  to  the  resea rch e rs  for  sel e ct ing  sp eci fic  m et ho ds   based  on  th ei r  re qu irem ent.  The  se ntenc e  sel ect ion   pro cess  m od el le d  as  a  m ulti - ob je ct iv e   op ti m iz ation   pro blem   was  de scribe d  in   [ 7].  The  a uthor s  use d  hu m an  le ar ning  op ti m iz ati on  al gorithm   fo r  t his   pur po se .  I n  [ 8]   feature   extra ct ion   base d  on  ne ur al   netw orks   was  propose d  wh ic h  the  a uthors  cl ai m   to  be  m or e   eff ect ive  com par ed  to  the  onli ne  extracti ve  opti ons.  Vythel i ngum   et  al .[ 9]  had   propo se d  a   te chn iq ue  for  error   detect ion   of  gr aph em e  to - phonem e  con ver si on   in  te xt - to - s peech   sy nth esi s.  Accor ding  to  them   their  appr oach  gav e   bette r  e rror   c orrecti on  r at e  wh ic h  can   ai d  the  hu m an  annotat or.  F r om   the  li te rature  that  was  rev i ewed   it   was  quit e  evid ent  the  require m ent  of   sp eec h  to  te xt  con ve r sion   as  well   as   the  su m m ariz at ion   of  the  sam e  is  a   necessit y an d h ence this  resea rch   w ork.   Zen ke rt at el . [10 ]  i ntr oduce d  a c r os s - dim ensional  text su m m ar iz at ion   wh ic h  us e s  th e  con ce pt  of  dim ension al   sel ect ion   an d   fi lt ering .  T he  m et hod  was  e xp erim ented  us in g  the  resu lt s  of  Mult idi m ension al   knowle dge  re presentat ion   database.  A  te xt  an al yz er  was  devel op e d  by  De va sen a   and  Hem al at ha   [ 11 ]   w hich  wa s  us e d  to  i den ti fy  the  struct ur e   of  the   te xt  give n  as   in pu t. Th e  aut hors  cl ai m s  the  pro po se d  syst e m   was  able  to  giv e  the  res ults  eff ect ively   w hi ch  ha d  us e d  th e  autom at ic   te xt  cat ego risat io n  an d  te xt  su m m arisat ion   .  The re  ex ist s  diff ere nt  te xt  su m m arisati on   te ch niques . a  detai le d  ov e r view  of  the  sa m e  i s   pro po se d  i n[1 2]  b y R ahim i et   al . A   sim il ar s tud y  was d one  by D al al  a nd  Ma li k  al so   [13 ] .    A  m od ifie d  a ppr oach  of  K   Nea rest  Neighb or  f or  ac hieving   te xt  su m m arization  was   do ne   by  J o   [ 14] .   The  a utho r  f oc us se d  m or e  on  the   reli abi li ty   aspect.  A   Viet nam ese  la nguag e   base d  te xt   su m m arization  ap proac h  with  th ree  sta ges   us i ng  grap hs  was   pro po se d  by  Tra n  a nd  Nguyen   in  [15].   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   5 ,  Oct ober   201 9   :   3 6 4 2   -   3 6 4 8   3644   The  a uthor s  cl aim s  that  the  pro po se d  a ppr oach  wa s  able   to  gathe r  m or e  m eaning f ul  te xt  rele van t  t o  native   sp ea ker s .  Vim al aksh a  et   al .   [ 16 ]   pro vid e d  a   m e tho d  to  s um m arize  the  vi deo  so  as  to   sa m e  tim e  and   s pace  a s   well   as  helps  i n  a rch i ving.  A n  ov e r view  of  te xt  s umm arisat ion   fo c us si ng  m or e  on  the   te chn i qu e s  to   av oid  redu nd a ncy  wa s  done  in  [ 17] .  Ma tsub ay as hi  et   al .   [1 8]  pro pose d  a  syst e m   for  effe ct ive  te xt  retrieval  ba s ed  on   the  qu ery.  T he   auth or s  us e d  autom at ic   te xt  su m m arisat ion   ap proac h  f or  the  sam e.   The  rest  of   t he  pa per   is   orga nised  as  f ollows.  Sect io n  3  giv es  the  detai ls  of   the  pro po se d  m odel ;  Sect ion   4  m entions   the  r esults  ob ta ine d f ollo wed b y C oncl usi on s  and  Fu t ure sc op e  in  Sec ti on   5.       3.   PROP OSE D MO DEL   3.1.    Ex peri ment al setup   The  s peec h  from   the  source   is  rec orde d  usi ng  a  m ic ro phone  a nd  the   featur e   is  e xtr act ed  in  te xt  form at   us ing  Goo gle  A ppli cat ion   Progr a m m ing   I nter face  ( AP I ).   Ho we ver,  the   te xt  extracte d  us i ng   the  Goo gle  AP I  does  not  inclu de  per i od   (. )  at   the  end   of   the  se ntence .  This  ca n  le ad  to  con f us io n  in   the  te rm inati o n  of  the  sta te m ents.  In   orde r  to  av oid   this ,   in  the  pro pos ed  ap proac h  a  custom   cod e  ha s  bee n  wr it te n  to  pro vid e  a  per i od   after  a  pa us e  of   2e+ 6  µs  or   m or e.   T his  m akes   the  se nte nce  cl eare r  an d  it   is   pre - pr ocesse d  to  ad d  per i od  ( . )  an d  qu est io n  m ark   ( ? ) .  I n  order   t o  proce ed  with  the  c once pt  of  ad ding  a p eri od   to  the  ext racted  te xt,  2e+6   µ s  has  been   c on sidere d  as  the  m ini m u m   pau se  tim e.  If   there   is  a  pau se  f or  m ore   than  t he  sai d  ti m e also,  the  syst e m  w il l wait  f or th e  user i nput due t o vali da ti on .   Since  pe rio d  pl ay s  a  vital   ro le   in  the  c om pl et ion   of   a  se nt ence,  a  ne w  se ntence  will   be  sta rted  with   the  co nce pt  of   co njuncti on  in  the   ab sence   of   pe rio d.   This   pro blem   is  el i m inate d  in  th e   pro posed   m od el   by   the  us e  of   te m porar y  sto rag e .   Ther ef ore,  w he nev e r  there  is   a  pau se,  the  pe rio d  will   be  add e d  to  the  te xt   and   will   be  te m porar il y  sto red  in  t he  te m po ra ry  va riable.   I f   the  ne xt  se ntence  be gin s   w it h  a  c onjun ct i on,  t he   te m po rar y  var i able  will   be  cl eared  a nd   the  se ntence  will   be  app e nded  t o  previo us   sente nc e  us in g  co njun ct ion .   Conver sel y  to  the  conj un ct io n,   if  the  senten ce  beg ins  with  a  su bject   then  the  tem po ra ry  va riable  value  is   us e d  and   t he  pe rio d  will   be  app e nd ed  to  the   se ntence.  Wh - quest i on s  a re  ex pect ed  to  en d  wit h  a  qu est io n  m a rk( ? ) .  Hen ce ,  w he ne ver   the  se nte nc e  beg i ns   with  t he  w h - sta tem e nt,  the  te m po ra ry  var ia ble  will   ho ld  ( ? )  on   a  pause  of   2e+6   or  m or e .  I n  case  the  ne xt  sente nce  be gins  wi th  the  quest io n  ta g  sta te m e n t  then  t he  va lue  in   the  te m po rar y  var ia ble  will   not  be   use d.  If   t he  se ntence   be gin s   with   a  ne w  s ubj ect   t hen  qu e sti on  m ark   will   be   app e n ded to t he  end  of the se ntence.   The  pro posed  m et ho d  su m m arizes  the  extr act ed  te xt  accor ding  to  the  r ank   of   the  sen te nces  wh ic h  can  be  determ i ned  th rou gh  th e  fr e quency   of   occ ur e nce  of  words.  The   se ntence  t okeniz e  an d  wor d  to ken iz e   te chn iq ues  fro m   the  pack a ge s  of   python  N LTK  are  us e d  to  fin d  the  f r equ e ny  of  w ords.   Wh e n  the  te xt  is   extracte d  f ro m   the  in put  us in g  Goo gle  A PI,   the   se ntence s  and  w ords   in  t he  te xt   are  obta ined  us i ng  se ntence   tok e nize  and   word   to ke nize  resp ect ively .  T he  input  giv e n  by  the  us er  as  sp eech  will   be   conver te d  to  sign al .   And  the  si gn al s  will   be  conve rted  to  te xt  f or m at   in  colla bo r at ion   with  t he  Goo gle  API.  I n  orde r  to  proc ess  the   gen e rated   te xt  with  the   pr opose d  m od el ,  w ord   to ken iz e  a nd  se ntence   to ke nize  is  us ed .  The  c om plete   set   of  a  sentence  is  gi ven   as  in puts   to  the  senten ce  tok e nize,  ever y  sente nce   is  separ at ed  with  the  occ urre nce     of   t he  dot.  A ll   the  se ntenc es  are  gi ven   as  inputs  to  t he  w ord  to ke ni ze,  each  w ord  is  se par at e d  wit h   the o cc urence   of the s pace.   Wh e n  a  te xt  w it h  pro per   for m at   is  us ed  f or  su m m arisi ng ,  it   is  le ss  co m plex  to  process  a s  it   is  in  the   exact  form at   a nd   is  oft en  pr eci se  and   cl ear.  But   this  is  no t  the  case  w hen   a  s peech   i s  ta ken   as  the   inp ut.   Her e  the  s peec h  has  to  be  c onve rted  to  te xt   and   the n  it   sh ou l d  be  su m m arized.  T he  pr ob le m s  to  be  t ackled   her e  are  t he  oc currence   of  repea te d  w ords ,  bro ke n  w ords ,  di ff ere nt  diale ct   an d  syn onym s   us e d   to   co nve y  the   m essage  et c.  T her e fore,  t o  overco m e  su ch  pro blem s,  the  w ords  with  le ss  i m po rtance   is  el i m inate d.   F or  this ,   a  m ini m u m   an d  m axi m u m   ran ge   is  set   f or  the  occ urren ce   of  any  sp eci fic   w ord.  E ven  th ough  th e  se nte nce  a nd   word f re qu e nc y are  us ed , to f ind  t he  im po rta nt se ntence i n  t he whole  c on te nt,  a  ra nk i ng m od el  is  appli ed.    Finall y,  after  the  wor ds   are   tok enize d,   th e  fr eq ue ncy  of  eve ry  w ord   is  cal culat ed  by  the  by   the  su m m ariza ti on   al gorithm   in  pro po se d  m od el .  T he  wei ght  of   the  se ntence  is  found  w it h  the  con si de rati on  of  the  fr e que nc y  of  w ords .  The  i nd e x  is  ranke d  acc ordi ng  to   the  wei gh t  of  the   se nt ence  a nd  wit h  th e   identific at ion  of  the   in de x,   t he   sente nce  is   sum m arized.  Pyt hon  nlar gest  f unct ion  is  us e d  t o  rank  t he  s ent ence  base d  on   the  weig ht  of   th e  sentence .  The  te xt  will   be  su m m arized  based   on  the  weigh t  of  the  sent ences.   The flo w  c har t  of im ple m entation   proce dure  of the  pro pose d  m od el  is as  s how n  in   F ig ure   2.     Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N:  20 88 - 8708       Sp eec h  t o  te xt   con ve rsio n and  summariz atio n  fo r eff ect iv e u nderst anding  and d ocume ntat ion   ( Vin nara s u  A )   3645       Figure  2. Flo w  ch a rt of the  pr opos e d  m od el .       3. 2 .    Pr oposed  p roce dure   The  al gorithm   for   the  pr opos e d  m et ho d  is  g i ven b el ow.    Step  1  −  ST A RT   Step  2  −  declar e m ic ro ph on e   as a s ource   Step  3  −  declar e thr ee  li sts au dio Re c orded, t extForm at Of Re cord,  tem pr oa ryLi st   Step  4  --   w hile  sente nce!  =   e xi t exit   aud i oReco rd e d = l ist en( s ourc e)   extracte dT ext  = rec ognize_ google (a udioRe corde d)     If   ( pau se  &&  next se ntence  of  ex tract e dTe xt  sta rts w it h su bj ect )   sentence=” .”+s entence   el se if( pau se  & & n e xt se ntenc e of e xtractedT ext starts  with  conj un ct io n)   sentence=” ,”+s entence   end whil e   [Th e  whil e lo o p  is e xited  with  text “exit  e xit”]     Step  5  −  declar e w e bSpoke n  a s f il e   webSp oken= se ntence   Step  6− decl ar e two l ist s sen t ences,  words   Step  7  -   se nten ces=se nt_ t ok e nizer(we bspok en)   words = word_t ok e nize(se nte nc es)   com pu te _frequ encies( wor ds )       Step  8  –   init al iz e m inCut=0. 1 an d  m axCut=0.9   If   w ord fre que ncy>m axCut an d f reque ncy<m inCut   rem ov e the  w ord     Wh il e   rankin g i nd e x !  ( s or te d)    rankin g= nlarge st(Sorte d l ist  of se ntence )     Step  9  –   P rint t he  se ntence  in t he  or der   of r a nk i ng   Step  10  –   ST O P       4.   RESU LT S   The  rec orde d  s peech   ca n  be  c onve rted  to  te xt   with  the  help  of   Goo gle  AP I .  It  is  diff ic ult  to  separa te   the  te xt  i nto  s entence   w hich   is  ge ne rated   us in g  G oogle  AP I ,  beca us e  the  e xtrated   te xt  do es   no t  ha ve  a   per i od(.).  T o  m ake  the  sent ences  disti nct,   in  the  propo s ed  m od el ,  a  p eri od   is  a ppe nd e d  at   the  e nd   of   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   5 ,  Oct ober   201 9   :   3 6 4 2   -   3 6 4 8   3646   the  se ntence   wh e n  t her e   is  a  pa us e.   I f  t he   sente nce  is  a   w h - se nte nce,  a  quest io n  m ark( ? )   is  a pp e nded   to   the  en d  of  the   sente nce.  Thi s  m akes  it   easi er  to  t ok e nize   the  se ntence s,   as  python  st ring  to ken iz at io n  us e s   per i od   to  di ff e ren ti at e  senten ces.  If   the  sen te nce  has  a  pa us e  an d  if  it  beg ins  a no t he r   sentence  with  the   conj un ct io n,   a  com m a(,)   is  app e nded  t o  the  en d  of   the   sentence .  Thi s  m akes  it   easi er  to  to ken i ze  th e   sentences ,  as  py tho n  strin g  to ken iz at io n  us e s  pe ri od   t o  differentia te   sente nces.  T he  pro pose d  m od el   co ns ide rs  the  punct uatio ns   ( ‘. ’ ,  ‘,’  an d  ‘ ? ’ )  in  the  re cognized  te xt.   The  pro posed   m od el   recogni ti on   is  faster  wh e n  com par ed  to   the  basic  m od el   (sen te nces  w it ho ut  ‘.’,  ‘, ’   a nd  ‘ ? ’ )  recog ni t ion .  T he  basi c  m od el   su m marizes   the  rec ognized  text  with ou t  a ny   pr e - proce ssing.  But  in   the p r opos e d  a ppr oach,  pre - proc essing  is use d  t o  ad d  a   per i od(.)  at   th e  en d  of  eac h  se ntence   to   ind ic at e  t he  te rm inati on   of  a  se ntence.   In  pyth on  se nt ence   tok e nizat ion,  sentences  ar e  t okenize d  base d  on   the  pr ese nc e  of   pe rio d.   T hough  the re  ar e  m any  pu nctu at ion  m ark s  that  ca n  be  i nclu ded  in  a  se nten ce,  t he  f oc us   i n  th e  pro posed   m od el   is  only   on  per i od  an d  quest io n  m ark .  Ta ble  1  show s  the   ti m e  ta ken   to   r ecognize   se nte nces  with  a nd   with ou t  pe rio d  a nd  quest io n  m ark   resp ect ively . B ased on  the r ec ognizti on  ti m e,  w e can  say  that the sen te ces wh ic h  inclu des  p erio d  an d  qu est ion  m ark  are  r ec og nized fast er  tha n  the  se ntences  w it hout it .       Table  1.  Rec og niti on  ti m e fo r   sentence  w it h  and w it ho ut (.)  a nd  ( ? )   Reco g n ized  sen ten ce   Reco g n itio n  ti m e f o r  sen ten ce  with o u t app en d i n g  ( .)  or  (? )  (in µs )   Reco g n itio n  ti m e f o r  sen ten ce  ap p en d in g  ( .)  or  ( ? )  (in µs )   Techn o lo g y  so lv es  pro b le m s an d  in t u rn cre ates p rob le m s   3 6 0 9 9 6   1 8 3 9 8 1   Stan d ards   are  alwa y s  o u t  o f   state  th at  is  wh at  m ak es  th e m   stan d ard   9 8 2 5 5   4 5 2 1 0 7   The  g reate st  en e m y   o f   k n o wled g e  is  no t  ig n o rance  it  is th e  illu sio n  o f  kn o wle d g e   2 4 0 1 7 8   1 1 0 3 6 7   W e   h av e  to   sto p   o p ti m izin g   f o r  p r o g ra m m e rs  an d   st art   o p ti m izin g  f o r  u ser s   3 9 6 6 5 8   7 8 1 3 4   Low lev el  p rog ra m m in g  is  no t that ea sy  f o r  b eg in n ers   6 6 1 4 1   1 0 8 3 2 6       The  gra ph   for  t i m e  ta ken   to  re cognize  se nten ces  with  an d  w it ho ut  per i od(.)   is  as  sh ow n  in   F ig ure   3.   The  gr a ph  is pl otted f or num ber  o f   sente nces   agai ns t  the   ti m e  ta ken   t o  re cognize  se nten ces  that  a re  m e ntion e d  in  T able  1.  Th e  blu e  li ne  sym bo li zes  reco gnit ion   ti m e  fo r  te xt  without  pe rio d  rec ogniti on  an d  the  or a nge  li ne   sta nd s  f or   recogn it io n  with  pe ri od.  T he  rec ogniti on   ti m e  i s  com pu te d  as   the  dif fer e nce   as  the  en d  ti m e  an d  sta rt  tim e  of   t he   rec ogniti on  proces s.  T he   ti m e  li br ary  in   py tho n  is  us e d  t o  record   ti m e.  The  dif fer e nce   tim e   can  be  c om pu te d usin g (1).       (1)     The  ti m e  ta ken   by  the  ge nsim   l ibrar y  an d  the  pro posed   m et ho d  to  s um m arize  te xt  is  sh ow n  in     T able  2.   For  va li dating  the  te xt  su m m arisat i on,  data  w as  gi ven   as  a  c on ti nuous  s peech,  do c um ents  of   f ifte en   pag e s,  an d  var i ou s  we bs it es  f or   e valuati ng  the  pe rfor m an c e.  Acc ordin g  to  the  data  in  th e  T able,  the  propose d    m et ho d  c om par it ively   ta kes  le sser  ti m e  fo r   su m m arization   of   t he  sam e   num ber   of  li nes  as  c om pared  t o  Gen sim  li br ary .           Figure  3. Com par is on of s pee ch reco gnit ion   with  do t a nd  w it ho ut  dot     Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N:  20 88 - 8708       Sp eec h  t o  te xt   con ve rsio n and  summariz atio n  fo r eff ect iv e u nderst anding  and d ocume ntat ion   ( Vin nara s u  A )   3647   Table  2.   Su m m arizat ion  ti m e  us in g Ge ns im  l ibrar y a nd  pro po s ed  m et ho d   Nu m b e r  o f  lines   Su m m a rized  lin es   Su m m a rization  ti m e  f o r  Gen si m  libra ry (in  µs )   Su m m a rization  ti m e  f o r  p rop o sed   m eth o d  ( in  µs )   10   1   1 6 3 6 8 0   6190   5   1   2336   1886   8   1   3675   3640   5   1   8 7 3 8 8 7   3279   6   1   5576   3279       Com par ing   to   the  Gen sim   su m m arization,  pro po se d  al gorith m   con sum es  le ss  t i m e   to  produce   the  re su lt .  I n  Gen sim   su m m arizat ion ,   th ou gh  do c um ent  is  ve ry  big ,   re s ult  of  t he  al gorithm   wo ul d  be   a  l ine   m os tly.  Pr opose d  al gorithm   can  su m m ari ze  the  whole   do c um ent  int o  a  nu m ber   of   li nes  by  the  us e r  requirem ent. T he fre qu e ncy  of wo rd s  are  com pu te d  us i ng (2) w hich  is use d  to   ra nk the  se ntences .       (2)     By   app ly ing   t his   f or m ula,  th e  fr e qu e ncy  of   the  sin gle  w ord  ca n  b e  f ound.  F r om   her e  the  in dex   of   the  se ntence   c an  be  f ound  by   the  rankin g  m et ho d.  I n  Fig ure   4,  blu e   li ne   sta nds  f or  th e  ge ns im   li br ary  an d   the  or a nge  li ne   sta nd s  for  the  pro po se d  a ppr oach.  Th e  x - ax is  sh ows  the  num ber   of   li nes  giv e n  as  in pu t  that  is  sh ow n  i n  the   T able  2  an d  y - a xis  s hows  t he  t i m e  ta ken .  T he   tim e  con s um e d  a nd  pe rfo rm ance  of  the  pro po s ed   appr oach is co ns ist ent  for dif fer e nt in pu t s.           Figure  4. Com par is on of s umm arizat ion  tim e f or   ge ns im  lib ra ry an d p rop os e d  m et ho d       5.   CONCL US I O N   Sp eec h  rec ogni ti on   an d  te xt  s umm arizat ion   are  tw o  va st  ar eas  to  be   ex plored .  Th e  pro po sed  re sear c h  work   ai m s  to  reduce  the  ti m e  and   ef fort   of   m anu al   docum entat ion   o f  le ngt hy  spe eches  in  a n  even t.   Sp eec h  rec ogni ti on   an d  te xt  s umm arizat ion   can  ease  the  w ork  of   do c um entat ion .   Eve n  f or   t he  ve rificat ion   of  the  su m m arize d  co ntent,  t he  syst e m   can  be  autom at ed  to  r ead  out  the  s um m arised  con t ent  with  th e  he lp  o f  te xt  to  s peec h  conve rsion.   As   of  now,  s pee ch  s umm arization   f or  sente nc es  te rm inati ng   with  a   f ull  s top   or  con ta ini ng  a  s m al l  pau se  s how n  by  c omm a  is  ex pe rim en te d.   T he   f uture   w ork  is   to   i nc lud e   al l  punct uation  m ark s  in  the  r ecognize d  s pe ech  w hich  hel ps   in  im pr ov in g  the  te xt  su m m arizat ion   perform ance.  This   m od el   can  be   us e d  w her e  e ve r  there   is  a  requirem ent  of  su m m arisi ng   le ngt hy  le ct ur es  int o  pr eci se  docum ents  as  the  autom at ed  syst e m   will   conve r t  the  s peec h  to   te xt  a nd  al so  su m m arise  the  co ntent.   It  ca n  be   of  great   he lp  f or   stud e nts to  arc hiv e lec t ur e  no te s f r om  classe s,  c onfer e nces  or sem inars .             Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   5 ,  Oct ober   201 9   :   3 6 4 2   -   3 6 4 8   3648   REFERE NCE S     [1]   Jos e  D  V,  Alfa te h  Mus ta fa,   Sha ran   R,   " A  Novel  Model  for  Spe ec h  to  T ext   Con ver sion ,"   Inte rn ati onal  R eferee d   Journal   of   Engi n ee ring a nd   Sc ie n ce   ( IRJES) , v ol   3,   no .   1 ,   2014 .   [2]   K.  M.  Shivakumar,   V.  V.  Jain  an d  P.  K.  Pri y a ,   " A  stud y   on  impact   of  la ngu age   m odel   in  improvin g  the   accurac y   o f   spee ch  to  t ext   conve rsion  s y st em,"  2017  Inte rnational   Confe r enc e  on  Comm unic ati on  and  S ignal   Proce ss in g  ( ICCSP ) ,   Chenn ai ,  pp.   1148 - 115 1 ,  2017 .   [3]   Y.  H.  Ghada ge   and  S.  D.  Shelke ,   "S pee ch  to  te xt  conv ersion  for  m ult il ingual   la nguage s , "  2016  Inte rnationa l   Confe renc e  on   C omm unic ati on  a nd  Signal P roc e ss ing  ( ICCSP) ,   Melmaruva thur ,  pp.   0236 - 0240 ,  2016 .   [4]   Um ar  Nasib  Ab dull ah ,   Kab ir  H um a y un,   Ahm e d  Ruhan,   Uddin   Jia. ,   " A  Real  Ti m e  Speec h  to   Te xt  Conversio n   Te chn ique   for  Benga li  L anguage , "  2018   Int ernati onal  Con fe r enc e   on  Compu te r,  Comm unic a ti on,   Chemic a l ,   Mate rial   and  E l ec troni c  Eng inee ring ( IC4ME2) ,  pp.   1 - 4 ,  2018 .   [5]   L.   W an ,   "Ex tracti on  Algo rit hm   of  Eng li sh  T e xt  Sum m ari za tion  for  Eng li sh   Teac hing , "  20 18  Inte rnati ona l   Confe renc e  on   I nte lligent Tr anspor tat ion, B ig   D ata  &   S mar t  Cit y  ( ICITBS) ,   Xiamen,   China ,   201 8 ,   pp .   307 - 310 .   [6]   Sai y ed  S . ,   Sajja  P .  S . ,  " Revi ew  on  te xt  sum m ar iz ation  eva lu at io n  m et hods , "   Ind ian  Journal  of  Computer  Sci en ce  and  Engi n ee ring ,  v ol .   8 ,   n o .   4 ,   pp .   497 ,   2017 .   [7]   R.   Alguliy ev ,   R.   Aligul i y ev  and  N.  Isaz ade,  "A   sente nc e  sele c tion  m odel   and  H LO  al gorit hm   for  ext racti ve  t ext  summ ari za t ion, "   2016  IEE E  10t h  Inte rnational   Confe renc e  on  Appl ic a ti on  of  I nformation  and  Comm unic ati o n   Technol ogi es  ( AICT) ,   Baku ,   pp .   1 - 4 ,   2016 .   [8]   Jain   D.  Bha ti a  and  M.  K.  Thakur,  "Extr ac t ive  Te xt  Sum m ari za t ion  Us ing  W ord  Vec tor  E m beddi ng, "  201 7   Inte rnational   Co nfe renc e  on   Mac hine   Learning   a nd  Data  Sc ie n ce  ( ML DS ) ,   Noida ,  pp.   51 - 55 ,  2017 .   [9]   K.  V y th elingum ,   Y.  Estè ve   and  O.  Rosee,  "Erro r  det e ction  of  gr aphe m e - to - phon eme  conve rsion   in  te x t - to - spe ec h   s y nthe sis  using  spee ch  signal   an d  le xical  context , "  2017  IEE E  A utomati c  Spe ec h   Re cognition  an d  Unders tandi ng  Workshop ( ASR U) ,   Okinawa ,  pp .   692 - 697 ,  2017 .   [10]   J.  Ze nker t,   A.  Kl ahol d  and  M.  Fa thi ,   "Towards Extra c ti ve Te xt  S um m ari za ti on  U sing Mult idi m en sional   Know le dg e   Repre sent at ion , "  2018  IEE E  In t ernati onal  Conf ere nce   on  El e ctr o/Inf orm ati on  Technol ogy  ( E I T) ,   Roche ster,   MI ,   pp.   0826 - 0831 ,  2018 .   [11]   C.   La kshm i  Deva sena   and  M.  He m al at ha ,   "A utomati c  Te x t  cate g oriz a ti on  and  sum m ari za ti on  usi ng  rule   red uctio n, "  IEE E - In te rnatio nal  Confe renc e   on  Adv ance s   in  Engi nee rin g,   Sci en ce   and   Manage ment  ( ICAE SM  - 2012) ,   Naga patt ina m ,   T amil  Nadu ,  pp .   5 94 - 598 ,  2012 .   [12]   S.  R.   R ahi m i,   A .   T .   Mozhde h i  a nd  M.  Abdolah i,  "A n  over vie w  on  ext r ac t ive   te x t  sum m ari za ti on , "  2017  IEEE  4 th   Inte rnational   Co nfe renc e  on   Kno wle dge - Based E ngine ering   and  I nnovat ion   ( KBE I) ,   Te hra n ,  pp .   00 54 - 0062 ,  2017 .   [13]   V.  Dala l   and  L .   Mali k ,   "A   Surve y   of  Extrac tive  and  Abs tract ive   T ext   Sum ma rizati on  Techni ques, "  2013  6 th   Inte rnational   Co nfe renc e  on   Eme rging Trends i n  Engi ne ering  and   Technol og y ,   Na gpur,   pp .   109 - 11 0 ,  2013 .   [14]   T.   Jo,  "K   nea re st  nei ghbor  for  te xt  sum m ari za t ion  usi ng  fea tur e  sim il ari t y , "  20 17  Inte rnational   Confe renc e  on   Comm unic ati on,   Control, Computi ng  and   Elec tronic s E ng ine ering   ( ICCCCEE ) ,   Khart oum ,  pp .   1 - 5 ,  2017 .   [15]   T.   Tr an  and  D .   T.   Ngu y en ,   "Te x t  Gene ra ti on  fro m   Abs tra ct   Sem ant i c  Repre s ent a ti on  for  Sum m ari zi ng  Vi et names e   Para gra phs  Hav ing  Co - ref er ences,"  2018  5th  NAF OST ED  Confe renc e  on  Inf orm ati on  and  Computer  Sci en ce   ( NICS ) ,   Ho Chi   Minh,  Vie tna m ,  pp.   93 - 98 ,  2018 .   [16]   A.  Vim al aksha ,   S.  Vina y ,   A.  Pre kash  and  N.  S.  Kum ar,   "A utomate d  Sum m ari za ti o n  of  Le ct ur e  Vid eos, "  2018  IEE E   Tenth  Int ernati o nal  Conf ere nce  on  Technol og y f or E ducation  ( T4E) ,   Chennai,   In dia ,  pp.   126 - 129 ,  2018 .   [17]   S.  Biswas,  R.   Raut ra y ,   R.   Dash and R.   Dash,  "Te xt  Summ ari za t io n:  A Re vie w,"  2018  2nd  Inte rnational   Confe ren c e   on  Data  Sc ie n ce  and  Busine ss   An aly tics ( ICDSBA) ,   Changsha, China ,  pp .   231 - 235,   2018 .   [18]   Matsuba y ashi  A.   Yam ashit a   H.  N onaka   and  Y .   Konno,  "A   Resea r ch  on  Docum ent  Summ ari za t ion  and   Presentation   S y stem  Based  o n  Feat ure   W ord   Ext ra ct ion  fro m   Stored  Inform at ions,"  2018  Confe renc e  on   Technol ogi es  and  App li ca ti ons o f Artif i ci al   Int el l ig enc e   ( TAAI) ,   Ta i chung,   Taiwan ,  pp.   60 - 63 ,  2018 .     Evaluation Warning : The document was created with Spire.PDF for Python.