🛣️ 🥘 🥌 यह ठीक है 🤔 🤹🏾 🔲

सभी को नमस्कार!

तथाकथित आवाज लेखन में हम में से बहुत कम अनुभव है - केवल मनोचिकित्सक एक आवाज रिकॉर्डर पर अपने विचार रिकॉर्ड करते थे। अब श्रुतलेख अधिक परिचित हो रहा है - स्मार्टफोन में वॉयस डायलिंग सेवा इसके आदी हो गई है। रूसी निरंतर भाषण को पहचानने के लिए एक उत्पाद के मालिक के रूप में भाग लेना, एल्गोरिदम के डेवलपर्स के साथ संवाद करना और ग्राहकों के साथ, मान्यता प्रणालियों के विभिन्न परीक्षणों का संचालन करना, यह देखते हुए कि उपयोगकर्ता अपने ग्रंथों को कैसे निर्देशित करते हैं और आवाज का उपयोग करके कंप्यूटर में पाठ दर्ज करने का अपना अनुभव रखते हैं, मैंने बहुत सारे दिलचस्प अवलोकन किए। यह समझने के लिए कि स्वचालित वाक् पहचान को सही तरीके से कैसे उपयोग किया जाए, आइए देखें कि वाक् पहचान कैसे काम करती है। विवरण बहुत सरल होगा, लेकिन यह समझने में मदद करेगा कि लोगों को तानाशाही करते समय क्या गलतियाँ होती हैं। और यह भी:मैं यह लेख श्रुतलेख की सहायता से लिखूंगा, कीबोर्ड से केवल उन स्थानों पर सुधार करना जहाँ आप इसके बिना नहीं कर सकते।

तो:

एक मान्यता इंजन बनाने के लिए, हमें ध्वनिक और भाषा मॉडल की आवश्यकता होती है।
ध्वनिक मॉडल इसी ध्वनि के साथ ध्वनि (फ्रेम) के एक टुकड़े को सहसंबंधित करने के लिए जिम्मेदार है। एक ध्वनि भाषण की एक अलग ध्वनि है, उदाहरण के लिए, "ए-परकशन", "टी-सॉफ्ट", "टी" और 49 अन्य। सबसे बड़ी समस्या यह है कि कई फोनीम्स एक-दूसरे से बहुत मिलते-जुलते हैं और "कार" शब्द से "कार" शब्द को अलग करना काफी मुश्किल है (याद रखें कि जब आप किसी अज्ञात नाम से बताए जाते हैं तो आप कितनी बार पूछते हैं)। इसलिए, ध्वनिक मॉडल को संभाव्य बनाया जाता है: यह रिपोर्ट करता है कि एक निश्चित संभावना के साथ "ध्वनि-झटके" फोनेमे को इस ध्वनि टुकड़े में उच्चारण किया गया था, एक और संभावना के साथ यह एक "ए-शॉकलेस" फोनीमे था, आदि। और सभी स्वरों को संभाव्यता देता है।

इस तरह के एक ध्वनिक मॉडल के लिए, हमें पहले इसे प्रशिक्षित करने की आवश्यकता है। इसके लिए, एक बड़ा भाषण आधार लिया जाता है (विभिन्न सेक्स और उम्र के दर्जनों वक्ताओं द्वारा माइक्रोफोन पर रिकॉर्ड किए गए सैकड़ों घंटे का भाषण)। आधार को चिह्नित किया जाता है ताकि यह ज्ञात हो सके कि कौन सा फोननेम किस समय पर लगता है। और फिर प्रशिक्षण के बाद हम प्रत्येक फ़ोनेमी के लिए एक निश्चित संभाव्यता वितरण फ़ंक्शन प्राप्त करते हैं जो बताता है कि कैसे, औसतन, इस फ़ोनेमी को लोगों द्वारा उच्चारित किया जाता है।

भाषा मॉडलयह भी संभाव्य है और भाषा की संरचना का वर्णन करता है। यह दिखाता है कि यह या यह वाक्यांश भाषा के दृष्टिकोण से कितना संभावित (सही) है। उदाहरण के लिए, वाक्यांश "माँ ने फ्रेम को धोया है" बिल्कुल सामान्य है, लेकिन "माँ ने फ्रेम को धोया" पहले से ही गलत है (यह वाक्यांश वोको को इतना नाराज कर रहा है कि वह पहचानता है कि "माँ ने माँ को धोया है")। अगला शब्द पहचानने के बाद, भाषा मॉडल यह निर्धारित करता है कि यह शब्द पिछले मान्यता प्राप्त शब्दों के अनुरूप कैसे है।
भाषा मॉडल बड़ी मात्रा में पाठ डेटा (ग्रंथों के गीगाबाइट) पर ट्रेन करता है। इस प्रशिक्षण डेटा का उपयोग करते हुए, हम इन वाक्यांशों की घटना की आवृत्ति के आधार पर एक विशिष्ट संदर्भ में शब्दों की घटना की संभावना की गणना करते हैं। हम 3 शब्दों (3-ग्राम भाषा मॉडल) से अधिक वाक्यांशों का उपयोग नहीं करते हैं। इसलिए, भाषाई मॉडल सामंजस्य स्थापित करने में मदद नहीं कर सकता है, उदाहरण के लिए, एक संज्ञा के साथ एक विशेषण यदि उनके बीच कोई दो शब्द हैं। इस मामले में, मिलान केवल ध्वनिक मॉडल के कारण होता है।
एक मान्यता शब्दकोश के रूप में, हम लगभग 300 हजार सबसे अधिक बार आने वाले शब्दों को लेते हैं जो औसत व्यक्ति के भाषण का 99% हिस्सा है।

अब आइए मान्यता से ही निपटें

यह जानते हुए कि प्रत्येक शब्द को फ़ोनीम्स के उपयोग से कैसे पार किया जाता है और भाषा मॉडल से संभावनाओं को जानते हुए, हम एक मान्यता ग्राफ (परिमित अवस्था मशीन) का निर्माण कर सकते हैं। परिमित राज्य मशीनों के साथ एक त्वरित परिचित के रूप में, इस लेख में अनुभाग "राज्य मशीनें" एकदम सही है । इस स्तंभ के इनपुट पर फोनमेस आते हैं, वह उन्हें शब्दों में, और शब्दों को वाक्यांशों में अनुवादित करता है।

शब्दों के लिए मान्यता ग्राफ: "माँ", "साबुन", "फ्रेम", "व्यंजन"। ग्राफ़ के किनारों पर हमारे पास इनपुट वर्णों के रूप में स्वर हैं (':' से पहले का शब्द), आउटपुट वर्ण के रूप में शब्द ('बाद') और भाषा मॉडल ('/' के बाद की संख्या) से वजन। '-' का अर्थ है खाली इनपुट या आउटपुट। ४ नोड से ०-नोड तक एक ग्राफ ग्राफ को चक्रित करता है ताकि एक पंक्ति में कई शब्दों को पहचाना जा सके।

मान्यता के आधार पर, हमें ध्वनि का एक टुकड़ा मिलता है, एक ध्वनिक मॉडल इसे संभावनाओं के साथ स्वर के एक सेट में परिवर्तित करता है जो हमारे ग्राफ के इनपुट में आते हैं। इस प्रकार, हम ग्राफ के साथ आगे बढ़ते हैं, कई परिकल्पनाएँ बनाते हैं। प्रत्येक परिकल्पना में एक भार होता है जो ध्वनिक मॉडल की संभावनाओं से और भाषा मॉडल (ग्राफ के किनारों पर स्थित) से संभावनाओं से बनता है।
असली मान्यता ग्राफ हमारे खिलौने के उदाहरण से एक लाख गुना बड़ा है, इसलिए किसी समय में बहुत अधिक परिकल्पनाएं होंगी और उन सभी को खींचने के लिए पर्याप्त रैम नहीं होगी। इसे होने से रोकने के लिए, विभिन्न तरीकों का उपयोग परिकल्पना की संख्या को कम करने के लिए किया जाता है। अक्सर ये दो सरल मानदंड होते हैं: परिकल्पना एक निश्चित संख्या से अधिक नहीं होनी चाहिए और किसी भी परिकल्पना को सर्वश्रेष्ठ परिकल्पना के लिए बहुत अधिक नहीं खोना चाहिए।

अब जब हमें थ्योरी की थोड़ी समझ है, तो आइए उन युक्तियों पर आगे बढ़ते हैं कि क्या करना सबसे अच्छा है और डिक्टेट करते समय क्या करना सबसे अच्छा है।

एसयू करो

उपयोगकर्ताओं द्वारा की जाने वाली सबसे सामान्य गलतियों में से एक सिलेबल्स द्वारा श्रुतलेख है। हम सिस्टम को साधारण भाषण में प्रशिक्षित करते हैं, इसलिए सिलेबल्स द्वारा शब्दों को खींचना केवल सिस्टम को भ्रमित करता है। जब सिलेबल्स द्वारा डिक्टेट किया जाता है, तो एक शब्द में सभी स्वर टकराव में बदल जाते हैं, स्वरों को लंबे समय तक उच्चारित किया जाता है, सिलेबल्स के बीच में ठहराव दिखाई देता है। यह सब एक दुखद परिणाम की ओर ले जाता है, जब शब्दों को मोनोसैलिक टुकड़ों के एक समूह में विभाजित किया जाता है। उदाहरण के लिए, सिलेबल्स के अनुसार "रोड में रन आउट" के अनुसार, हमें निम्नलिखित परिणाम मिलते हैं: "आपको एसयू प्रेस करने की आवश्यकता नहीं है" या ऐसे: "आपको एसयू को दबाने की ज़रूरत नहीं है", लेकिन यह निश्चित रूप से वह नहीं है जो हमें चाहिए।

युक्ति: एक औसत व्यक्ति के रूप में स्वाभाविक रूप से बोलें।

कैसे नरक भी आपको ले जाता है

कुछ लोग बहुत जल्दी बोलते हैं। इसके अलावा, ऐसा भाषण अक्सर शब्दों को कम कर देता है: प्रस्ताव को निगल लिया जाता है, अंत नहीं बोला जाता है, लंबे शब्द नरक में बदल जाते हैं, उदाहरण के लिए, "अलेक्जेंडर अलेक्जेंड्रोविच" के बजाय, परिचित "सैन सैंच" का उच्चारण किया जाता है। लोग अक्सर इस तरह के भाषण को समस्याओं के बिना समझते हैं, चूंकि मस्तिष्क लापता जानकारी को पुन: प्राप्त करता है, लेकिन भाषण मान्यता एल्गोरिदम इस समस्या से सामना करते हैं। उदाहरण के लिए, "लाल कार" के बजाय एक आदमी ने कहा "लाल कारें"। मान्यता के दौरान, हमारी सही परिकल्पना को शब्दों के अंत में निगली गई ध्वनियों से गुजरने पर बहुत कम संभावनाएं प्राप्त होंगी और प्राप्त वजन के परिणामस्वरूप, यह जीत के लिए पर्याप्त नहीं हो सकता है, लेकिन कुछ "माशा की सुंदरता" जीत जाएगी।
हमने उच्चारण में कुछ आवृत्ति में कमी को ध्यान में रखा है। उदाहरण के लिए, यदि आप "हेलो" के बजाय "क्या" या "हैलो" के बजाय "चुनते हैं" कहते हैं, तो यह मान्यता परिणाम को प्रभावित नहीं करेगा, क्योंकि हमने अपने ग्राफ में उपयुक्त ट्रांसक्रिप्शन जोड़ा है। दूसरी परेशानी जो एक शौकिया के लिए एक उच्च गति पर निर्देशित करने के लिए इंतजार कर सकती है, वह सिंटैग होमोफोन्स है।
"वह अपने आप को बोला और सोचा,
कैसे नरक भी तुम्हें ले जाता है।"

युक्ति: यदि आप बहुत तेज भाषण के लिए प्रवण हैं, तो शब्दों को अधिक स्पष्ट रूप से उच्चारण करने का प्रयास करें। शब्दों के बीच छोटे ठहराव आपको धीमी गति बनाए रखने में मदद करेंगे और शब्दों के टुकड़ों को नहीं निगलेंगे।

पॉल ने रैली की लेकिन

मान्यता के लिए एक और समस्या "पिंगिंग" और हिचकिचाहट है: एक व्यक्ति एक शब्द बोलना शुरू करता है, एक गलती करता है, इसे आधे में तोड़ देता है, और फिर सही ढंग से उच्चारण करता है। उदाहरण के लिए, एक व्यक्ति कहता है "समानांतर में गिर गया।" शब्दकोश में कोई शब्द "गिर" नहीं है, इसलिए, ऐसे मामलों में मान्यता परिणाम बहुत ही आश्चर्यजनक हो सकता है: उदाहरण के लिए, स्टंबल और शब्द स्वयं एक ही ध्वनि में विलय कर सकते हैं या मान्यता परिणाम ध्वनि में समान कई छोटे शब्दों से मिलकर बनेगा, उदाहरण के लिए, "रैली मंजिल लेकिन
इसके अलावा, एक लंबे ठहराव से डिकोडर यह तय कर सकता है कि आपने वाक्य पूरा कर लिया है, जिसका अर्थ है कि पहले से कहे गए शब्दों के साथ समन्वय टूट जाएगा।

युक्ति: पहले से सोचें कि आप क्या कहना चाहते हैं, क्योंकि यह भाषण में लंबे समय तक रुकने और संकोच करने की संख्या को काफी कम कर देता है।

रात। स्ट्रीट। लालटेन। फार्मेसी।

छोटे वाक्यांश लंबे वाक्यांशों की तुलना में कम पहचाने जाते हैं। छोटे वाक्यों में, विशेष रूप से एकल-शब्द वाले, भाषा मॉडल व्यावहारिक रूप से काम नहीं करता है। "मशीन" शब्द को शब्दों से अलग करना मुश्किल है: "कार", "कार", "मशीन", और इस मामले में भाषा मॉडल केवल प्रशिक्षण डेटा में शब्द की घटना पर निर्भर करता है, जो वास्तव में, कोई उपयोगी जानकारी नहीं रखता है। इसी समय, वाक्यांश में "कार" शब्द "वह कार से पहुंचे" अच्छी तरह से पहचाना जाना चाहिए, क्योंकि भाषा मॉडल, पहले से मान्यता प्राप्त संदर्भ "पहुंचे" पर आधारित है, सही विकल्प बनाएगा। लघु वाक्यांशों में शब्दों के बीच लंबे ठहराव वाले वाक्यांश भी शामिल होते हैं, क्योंकि इस मामले में भाषा के मॉडल के काम से एक ठहराव से पहले एक शब्द के उच्चारण के पूरे संदर्भ को बाहर रखा गया है।

युक्ति: बहुत छोटे वाक्यांशों से बचें। यदि यह संभव नहीं है, तो अंत स्पष्ट रूप से उच्चारण करने का प्रयास करें।

मैंने ऐसा नहीं कहा

ऐसा होता है कि न केवल आप जो कहते हैं वह मान्यता प्राप्त है, बल्कि आपके पड़ोसी का भाषण भी है। नतीजतन, आपकी आवाज़ में जो अक्षर आप टाइप करते हैं, वह अंकल फेडर से आपकी माँ के लिए एक पत्र जैसा दिखता है: "बाल ढँके हुए हैं, पूंछ बंद हो रही है।" लैपटॉप या वेब-कैमरा पर रिमोट माइक्रोफोन का उपयोग करते समय यह विशेष रूप से सच है। हम शोर और अलग पृष्ठभूमि भाषण में मान्यता की गुणवत्ता में सुधार करने की कोशिश करते हैं, लेकिन उन मामलों में जहां उपयोगकर्ता चुप है, मान्यता शांत पृष्ठभूमि भाषण में भी ट्यून कर सकती है।

युक्ति: एक गुणवत्ता हेडसेट और एक शांत वातावरण मान्यता की गुणवत्ता में सुधार करने में मदद करेगा।

एक कोला की तरह

वोको रूसी भाषण को पहचानता है, लेकिन कुछ लोकप्रिय अंग्रेजी शब्द, कंपनी के नाम और उत्पाद कार्यक्रम भी पहुंच के भीतर हैं। उदाहरण के लिए, "कोका-कोला", "विंडोज" पूरी तरह से मान्यता प्राप्त है। लेकिन एक छोटी सी समस्या है: अंग्रेजी में, ऐसी आवाज़ें हैं जो रूसी में नहीं हैं। इस समस्या को हल करने के लिए, हमने सबसे समान रूसी स्वरों के साथ अंग्रेजी शब्दों को स्थानांतरित किया, इसलिए, यह उन्हें रूसी तरीके से उच्चारण करने के लायक है। उदाहरण के लिए, कोका-कोला। [k [ka kòla]। अपने उत्कृष्ट ब्रिटिश उच्चारण [k'showkəʊ k']la] को न दिखाएं।

सुझाव: एक रूसी उच्चारण के साथ अंग्रेजी शब्दों का उच्चारण करें।

दीप कुटरा संगीन बानोवा पक्ष और धूम्रपान करने वालों का बैंक बाजार

ऐसा होता है कि इस शब्द को मान्यता नहीं दी गई है, इस तथ्य के बावजूद कि आप बहुत प्रयास करते हैं और हमारी सभी सिफारिशों का पालन करते हैं। शायद इसका कारण यह है कि यह शब्द मान्यता शब्दकोश में नहीं है। हमने एक सामान्य विषय (राजनीति, अर्थशास्त्र, संस्कृति, खेल, आदि) पर एक भाषा मॉडल सिखाया और लगभग 300 हजार बार सबसे अधिक शब्द कोश में दर्ज किए। इसलिए, सबसे अधिक संभावना है कि आपके बॉस के लिए कोई विशेष शर्तें या उपनाम नहीं हैं। इसलिए, उपयोगकर्ता क्लाइंट को एक पत्र निर्धारित करता है: प्रिय व्लादिमीर अनिवार्य है, व्लादिमीर उन्हें चलाने के लिए, बिना किसी के बिना, 1 के बिना, फेसलेस। बार-बार, उपयोगकर्ता क्लाइंट के नाम का उच्चारण करता है - बेजिनिन, उच्चारण में भिन्नता, उच्चारण की गति, तनाव पर जोर देता है, लेकिन वांछित नाम को मान्यता नहीं दी जाती है।
तो यहाँ पर भाषाविद् शेरबा का प्रसिद्ध वाक्यांश "एक गहरे कूज़े श्टेको बुदानुला बोरका और थोड़ा घुंघराले बालों वाला बच्चा" बुलानोवा की एक संगीन में बदल गया और एक धूम्रपान कर सकते हैं।
ताकि आपको जिन शब्दों की आवश्यकता है, जो भाषा मॉडल से अनजान हैं, उन्हें सही ढंग से पहचाना गया है, आपको अपनी आवश्यकताओं के लिए मान्यता मॉडल के अनुकूलन का उपयोग करना चाहिए। यदि आप ग्रंथों को टाइप करते हैं, उदाहरण के लिए, जैव सूचना विज्ञान पर, तो जैव सूचना विज्ञान पर ग्रंथों को लेना और उनके लिए प्रणाली को फिर से लिखना सबसे अच्छा है।
नए ग्रंथों से पीछे हटने पर, एक छोटा भाषा मॉडल बनाया जाता है, जो मुख्य मॉडल के साथ मान्यता में भाग लेगा। यही है, अब भाषा मॉडल से जो वजन मिलता है, उसमें दो वजन शामिल होंगे: मुख्य भाषा मॉडल से वजन और अनुकूलन मॉडल से वजन।
मान्यता शब्दकोश में अलग-अलग शब्दों को जोड़ने की तुलना में ग्रंथों द्वारा प्रणाली को अपनाना अधिक सही है। किसी एक शब्द को जोड़ने से हमें यह जानकारी नहीं मिलती है कि इस शब्द का उपयोग कैसे किया जाता है, इसे कैसे झुकाया जाता है, इत्यादि, इसलिए अंत को पहचानने में त्रुटियां संभव हैं।

युक्ति: अपने ग्रंथों पर अपने विषय के लिए मान्यता को अनुकूलित करें या पहचान शब्दकोश में आवश्यक शब्द जोड़ें।

पुनश्च: यह पाठ #Voco एप्लिकेशन का उपयोग करके आवाज में रिकॉर्ड किया गया था । और आप देख सकते हैं कि वीडियो पर यह कैसे हुआ:

गीक्स के लिए साहित्य:

1. : Mohri, M., Pereira, F., & Riley, M. Speech recognition with weighted finite-state transducers. In Springer Handbook of Speech Processing (pp. 559-584). Springer Berlin Heidelberg 2008.
2. www.morganclaypool.com/doi/abs/10.2200/S00462ED1V01Y201212SAP010
3. , www.amazon.com/Automatic-Speech-Recognition-Communication-Technology/dp/1447157788/ref=sr_1_1?s=books&ie=UTF8&qid=1447854516&sr=1-1&keywords=speech+recognition

यह ठीक है