Rozpoznawanie mowy

Z Wikipedii

To jest tylko zalążek artykułu związanego z informatyką. Jeśli potrafisz, rozbuduj go.

Rozpoznawanie mowy to technologia pozwalająca komputerowi wyposażonemu w urządzenie do próbkowania dźwieku (np. karta dźwiękowa z mikrofonem) interpretować mowę ludzką, na przykład, do celów transkrypcji lub jako alternatywna metoda interakcji z komputerem. Wyróżniamy kilka rodzajów rozpoznawania mowy: rozpoznawanie pojedynczych fonemów, rozpoznawanie izolowanych słów, rozpoznawanie łączonych słów oraz rozpoznawanie mowy ciągłej.

Spis treści 1 Koszty obliczeniowo-pamięciowe 2 Zastosowania 3 Standaryzacje międzynarodowe 4 Rozpoznawanie mowy w Polsce 5 Produkty dla komputerów PC 6 Zobacz też 7 Przypisy

[edytuj] Koszty obliczeniowo-pamięciowe

Algorytmy rozpoznawania mowy ciągłej na poziomie zbliżonym do „zdolności ludzkich” wymagają pamięci komputerowej o dużej pojemności^[1]. 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^[2], niedogodność jest niezauważalna dla użytkownika.

[edytuj] Zastosowania

• Sterowanie - dedykowane silniki nie wymagają zaawansowanych cech jak przełączanie kontekstu, a z powodu ubogich 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.

[edytuj] 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 Windows Vista)

Sun Microsystems:

• JSAPI - interfejs programistyczny (1.0 z r. 1998, wersja 2.0-beta wciąż oczekuje na zatwierdzenie)
• 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. 2007),
• 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).

[edytuj] Rozpoznawanie mowy w Polsce

Prace badawcze i wdrożenia:

• Ogólnopolski projekt^[3] prowadzony jest przez, podległe MSWiA, służby bezpieczeństwa publicznego we współpracy z uczelniemi wyższymi^[4] w ramach Polskiej Platformy Bezpieczeństwa Wewnętrznego. Przetwarzanie mowy występuje docelowo w dwóch (S3, S8)^[5] z ośmiu funkcjonalnych modułów zintegrowanego systemu wsparcia zarządzania bezpieczeństwem i przeciwdziałania przestępczości w Unii Europejskiej,
• Instytut Monitorowania Mediów^{[6] [7]} wdrożył system umożliwiający wyszukiwanie felietonów na podstawie słów kluczowych.

[edytuj] Produkty dla komputerów PC

• Oprogramowanie FLOSS
  • Prototypowe
    • Sphinx,
    • Julius/Julian.
  • Użytkowe (Linux)
    • XVoice,
    • FreeSpeech.
• „Pudełkowe”
  • Dragon Naturally Speaking,
  • Via Voice,
  • Loquendo.

[edytuj] Zobacz też

• Fonologia,
• Fonetyka,
• Fonoskopia,
• Rozpoznawanie mowy w Windows.

Przypisy