Rozpoznawanie mowy

Rozpoznawanie mowy – technologia pozwalająca komputerowi wyposażonemu w urządzenie do próbkowania dźwięku (np. karta dźwiękowa z mikrofonem) interpretować mowę ludzką, na przykład do celów transkrypcji lub jako alternatywną metodę interakcji z komputerem.

Wyróżnia się kilka rodzajów rozpoznawania mowy:

• rozpoznawanie pojedynczych fonemów
• rozpoznawanie izolowanych słów
• rozpoznawanie łączonych słów oraz rozpoznawanie mowy ciągłej

Obecnie dla języka polskiego dostępne są programy rozpoznające poprawnie 5-9 na 10 wypowiedzianych słów mowy (na współczynnik ten, oprócz jakości algorytmu, wpływają m.in. wyrazistość i zrozumiałość mowy).

Koszty obliczeniowo-pamięciowe

Algorytmy rozpoznawania mowy ciągłej na poziomie porównywalnym ze „zdolnościami ludzkimi” wymagają pamięci komputerowej o dużej pojemności. Dlatego też wytwarza się systemy jedno-dziedzinowe, bądź użytkownik ma możliwość dostrojenia parametrów poprzez moduły uczenia maszynowego. W telefonach komórkowych nierzadko stosuje się również wysyłanie wstępnie przetworzonych danych do pomocniczej obróbki na serwerze zewnętrznym, niedogodność jest niezauważalna dla użytkownika.

Algorytmy i modele

• ukryte modele Markowa
• analiza cepstralna i mel-cepstralna
• transformata Fouriera

Zastosowania

• Sterowanie – dedykowane silniki nie wymagają zaawansowanych cech jak przełączanie kontekstu, a z racji kilku/kilkunastowyrazowych słowników nie występuje tu problem ujednoznaczniania w środowiskach, w których sygnał mowy jest zakłócony, dlatego też wymagają one znacznie mniej zasobów niż algorytmy rozpoznawania mowy ciągłej.
  • w przypadku komputera PC – posiadającego różnorodne kanały komunikacji z użytkownikiem – sterowanie głosem wykorzystywane jest najczęściej przez osoby niepełnosprawne, dla których inne interfejsy interakcji z urządzeniem są niedostępne,
  • w urządzeniach – o znacznej miniaturyzacji, przez co ubogich w interfejsy interakcji – proste polecenia głosowe znacznie uefektywniają ich obsługę.
• Transkrypcja mowa ciągła-tekst – algorytmy:
  • dziedzinowe – o ograniczonym słowniku,
  • całościowe – bardziej zaawansowane.

Standaryzacje międzynarodowe

Trwają prace standaryzacyjne jednolitych interfejsów programistycznych (API) oraz języków opisu danych wejściowych dla silników rozpoznawania mowy. Następujące instytucje opracowują własne rozwiązania w tym zakresie, w nawiasach podano numer aktualnej wersji oraz rok wydania.

Microsoft:

• SAPI - interfejs programistyczny (5.3 z r. 2005 – w Longhorn, oficjalne wydanie 2006/2007 – w Microsoft Windows Vista)

Sun Microsystems:

• JSAPI – interfejs programistyczny (1.0 z r. 1998, wersję 2.0 zatwierdzono w maju 2008)
• JSGF – język specyfikacji gramatyki

W3C:

• PLS – język specyfikacji wymowy (1.0 oczekuje na zatwierdzenie),
• VoiceXML – język specyfikacji dialogu głosowego człowiek-komputer (2.1 z r. 2007),
• SISR – język semantycznego znakowania gramatyki (1.0 z r. 200]),
• SRGS – język specyfikacji gramatyki (oparty na XML lub BNF) (1.0 z r. 2004),
• SLM(N-gram)S – język specyfikacji stochastyczengo modelu języka (roboczy szkic z r. 2001),
• NLSML – język specyfikacji interpretacji semantycznej mowy (1.0-beta z r. 2000).

Rozpoznawanie mowy polskiej

Prace badawcze i wdrożenia:

• Ogólnopolski projekt prowadzony jest przez, podległe MSWiA, służby bezpieczeństwa publicznego we współpracy z uczelniami wyższymi w ramach Polskiej Platformy Bezpieczeństwa Wewnętrznego. Przetwarzanie mowy występuje docelowo w dwóch (S3, S8) z ośmiu funkcjonalnych modułów zintegrowanego systemu wsparcia zarządzania bezpieczeństwem i przeciwdziałania przestępczości w Unii Europejskiej,
• Instytut Monitorowania Mediów wdrożył system umożliwiający wyszukiwanie felietonów na podstawie słów kluczowych.
• Wersje polskiego oprogramowania do rozpoznawania mowy SkryBot:
  • dla biznesu, serwery rozpoznawania mowy (monitoring, indeksowanie i wyszukiwanie tekstem multimediów radia i telewizji);
  • dla użytkowników komputerów osobistych, systemy Windows XP, Vista, 7;
  • portal rozpoznawania mowy przez internet SkryBot.TV.
• System Rozpoznawania i Zamiany Mowy na Tekst - MagicScribe
  • MagicScribeMedical - rozpoznawanie mowy dla medycyny
  • MagicScribeLegal - rozpoznawanie mowy dla prawa
• System rozpoznawania mowy Sarmata, Zespołu Przetwarzania Sygnałów AGH kierowanego przez profesora Mariusza Ziółko
• Spikit - innowacyjne narzędzie wykorzystujące mowę do sterowania komputerem osobistym

Rozwiązania komercyjne:

• SpeechStorm – producent aplikacji do IVR opartych m.in. o technologię rozpoznawania mowy

Rozpoznawanie mowy angielskiej

• Prototypowe
  • Sphinx,
  • Julius/Julian.
• Użytkowe (Linux)
  • XVoice (frontend),
  • FreeSpeech.
• Użytkowe (Windows)
  • Dragon Naturally Speaking,
  • Via Voice,
  • Loquendo.
  • SkryBot doMowy,
  • S voice (Android),
  • Siri (iOS)

Zobacz też

• Watson (superkomputer)
• Fonologia
• Fonetyka
• Fonoskopia

Linki zewnętrzne

• Technologia mowy (materiały dydaktyczne AGH)