👩🏼‍🔧 ☝🏻 👨🏼‍🌾 चैटबोट सुनवाई, या शौकिया पीड़ित हो जाता है 😋 🍔 ↩️

बहुत समय पहले नहीं, मैंने वान्या रज़ुम्नी नामक एक वाक्यात्मक चैट बॉट प्रस्तुत किया ( "ग्लॉक सीड्रा विधि का उपयोग करके एआई बनाना। बुद्धिमान ओडिसी" )। अगला स्पष्ट चरण, जो, कृत्रिम बुद्धिमत्ता के अन्य रचनाकारों की तरह, मैं दिमाग़ी आवाज़ देने के लिए - से गुजरना चाहता था। यह आसान प्रतीत होगा?

हालांकि, मुझे नुकसान उठाना पड़ा। कुछ समस्याओं को हल करना संभव नहीं था, निश्चित रूप से शौकियापन के कारण। हालांकि, मुझे संदेह है कि पेशेवर संबंधित समस्याओं को हल करने में रुचि रखते हैं। यह किसी के लिए दिलचस्प नहीं है, इसलिए मैं नहीं करना चाहता था। मैं जल्दी से आवाज़ तेज करने और बाद के विचारों पर आगे बढ़ने की उम्मीद कर रहा था ...

लेकिन पहले बातें पहले।

(मैं इस उम्मीद में लिख रहा हूं कि आवाज अभिनय के क्षेत्र में मेरे कष्टों से मेरी तरह के प्रेमियों को कोई मदद मिलेगी। यह पोस्ट सर्वश्रेष्ठ बाइसन के लिए बेकार है)।

यह स्पष्ट है कि स्कोरिंग कार्य दो असंबंधित वर्गों में विभाजित है:

पाठ संश्लेषण
वाक् पहचान।

मैं सबसे आसान के रूप में पहला बिंदु लेता हूं। तुरंत मैं शुरुआती लोगों के लिए एक कोड भर में आता हूं, बस कुछ लाइनें।

प्रीसेट वॉयस सिंथेसिस

using System.Speech.Synthesis; public static void getSpeech(string text) { SpeechSynthesizer speaker = new SpeechSynthesizer(); speaker.SetOutputToDefaultAudioDevice(); string selectedVoice = Properties.Settings.Default.Voice; speaker.SelectVoice("Microsoft Irina Desktop"); speaker.Rate = 1; speaker.Volume = 100; speaker.Speak(text); speaker.Dispose(); }

मैंने इसे स्रोत में डाल दिया, और कल्पना करो, कार कहती है! मैं आनंद से थोड़ा अभिभूत हूं। इतना आसान !!!

यह बकवास बना हुआ है: एक पुरुष आवाज संलग्न करने के लिए। दुर्भाग्य से, एक रूसी आवाज विंडोज में प्रीइंस्टॉल्ड है - महिला: "माइक्रोसॉफ्ट इरीना डेस्कटॉप"। और मेरे पास एक चैटबोट लड़का है, एक लड़की नहीं है, मैं उसे सेक्स बदलने के लिए ऑपरेशन करने की योजना नहीं देता।

Google फिर से, थोड़ी देर बाद मुझे यकीन हो गया कि कुछ पुरुष रूसी आवाजें हैं। यह मुफ्त वोटों को संदर्भित करता है, क्योंकि भुगतान की गई सेवाएं मेरे गायन वित्त रोमांस के लिए नहीं हैं। लेकिन वहाँ भी हैं, मुक्त पुरुष आवाजें भी हैं, उदाहरण के लिए, घरेलू पुस्तकालय RHVoice की आवाज "अलेक्जेंडर"। अच्छा, इसे सिकंदर बनने दो।

दुर्भाग्य से, स्थापना (मेरे लिए) किसी तरह जटिल है। लेकिन वहाँ तैयार विधानसभाएं हैं। मैं असेंबली में से एक को डाउनलोड करता हूं, इसे स्थापित करता हूं, विंडोज सेटिंग्स में चढ़ता हूं (स्पीच रिकॉग्निशन / टेक्स्ट टू स्पीच) और - लो और निहारना! - मैं "माइक्रोसॉफ्ट इरीना डेस्कटॉप" के बगल में "अलेक्सांद्र" की आवाज पाता हूं। सांस की सांस के साथ ...

विंडोज में सब कुछ काम करता है!

मैं स्रोत में Microsoft Irina डेस्कटॉप को Aleksandr से बदल दूंगा और ... पहले से काम नहीं करता! दु: खद लेकिन घातक नहीं। हम इसे अभी ठीक कर देंगे

मैं RHVoice परियोजना का अध्ययन कर रहा हूं, विशेष रूप से कॉन्फ़िगरेशन फ़ाइल का वर्णन, इस तरह से प्रयोग करना और यह ... परिणाम एक ही है: ध्वनियों के बजाय, अलेक्जेंडर एक अचिन्त्य ग्रोनल या कुछ भी नहीं बनाता है, इस तथ्य के बावजूद कि माइक्रोसॉफ्ट इरिना टेलीविजन पर एक उद्घोषक की तरह पढ़ती है।

कुछ दिनों के लिए मैं अभी भी कुछ के लिए आशा करता हूं और चारों ओर गड़बड़ करता हूं, लेकिन फिर मैं छोड़ देता हूं। हां, मेरे हाथ टेढ़े हैं। खैर, मुझे पता नहीं है कि क्यों हांग्जो बात करने से इनकार करता है, मैं नहीं जानता, और मुझे मंचों पर जवाब नहीं मिला।

ठीक है, मैं अन्य मुफ्त आवाजों का अध्ययन कर रहा हूं, लाभ एक दर्जन से अधिक नहीं है।

फिर यह मुझ पर हावी हो जाता है कि अगर मैं वान्या के उपयोगकर्ताओं को वही आवाज सुनना चाहता हूं जो मैं सुनता हूं, तो पैकेज में एक आवाज इंस्टॉलर स्थापित करना होगा। यह मेरी शक्ति से परे है, और मैं इसमें संलग्न होने के लिए अनिच्छुक हूं, इसलिए एक पैराग्राफ, "भाषण में पाठ का संश्लेषण", शर्मनाक आत्मसमर्पण के साथ समाप्त होता है।

मैं सिद्धांत रूप में निर्णय लेता हूं:

चलो एक कुत्ते के साथ नरक में जाओ! बता दें कि चैटबॉट यूजर्स खुद ही अपनी पसंद की आवाजें इंस्टॉल कर लेते हैं और सूची से चुन लेते हैं। पूर्वनिर्धारित मतों की सूची संलग्न करना एक व्यवहार्य कार्य है।
मैं एक महिला आवाज में वान्या उचित कहता हूं, क्योंकि वान्या युवा है और उसकी आवाज अभी तक नहीं टूटी है। "और यह बिल्कुल नहीं है क्योंकि मेरे हाथ मेरी गांड से बाहर निकल रहे हैं," मैंने मनोचिकित्सा के माध्यम से खुद को मना लिया।

शुद्ध दिल के साथ, मैं 2 बिंदु पर जाता हूं: भाषण मान्यता।

दूसरा बिंदु निर्णायक है। किसे चैट बॉट की ज़रूरत है जो आवाज़ में अपने वाक्यांशों को पुन: पेश कर सके, लेकिन वार्ताकार की आवाज़ को समझ नहीं पाता है! विफलता के मामले में, डबिंग उपक्रम ढह जाता है।

गुगली फिर से, इस बार उन्मत्त, आखिरी सांस में।

क्या खुलासा हो रहा है? विकल्प अधिकांशतः भुगतान किए जाते हैं: मुक्त व्यक्ति होते हैं, लेकिन रूसी भाषा के लिए उनमें से कुछ ही होते हैं।

Yandex SpeechKit नेटवर्क पर सबसे सरल के रूप में प्रकट होता है, लेकिन मैं इसे बाद में सहेज सकता हूं यदि अधिक जटिल विकल्प काम नहीं करते हैं। मैं ऑफ़लाइन मान्यता प्राप्त करना पसंद करता हूं।

यहाँ CMUSphinx से पूरी तरह से मुक्त समाधान है। मैं समीक्षाओं का अध्ययन कर रहा हूं:

सबसे पहले, कोई अपमानजनक विस्मयादिबोधक नहीं हैं: भाइयों, सब कुछ काम करता है!
दूसरे, स्थापना विवरण मेरे लिए पूरी तरह से संक्षिप्त है। ऐसा लगता है कि स्थापना के बाद पुस्तकालय को भी प्रशिक्षित करने की आवश्यकता है!

दूर गिरना।

अगला। Microsoft भाषण मंच, मुफ्त।

मैं Google और उदाहरण के लिए एक सुलभ विवरण और स्रोत कोड के साथ एक लिंक ढूंढता हूं। स्रोत डाउनलोड करें, संकलित करें। मैं कहता हूं "एक, दो," और कार्यक्रम मान्यता प्राप्त पाठ को देता है। गुलाम-ओ-ओयेत! ...

थोड़ा भ्रामक तथ्य यह है कि पाठ स्वयं द्वारा मान्यता प्राप्त नहीं है, लेकिन इसे पहले शब्दकोश में जोड़ा जाना चाहिए। लेकिन यह डरावना नहीं है: "एक, दो" के बजाय मैं वर्तनी के साथ एक स्वैच्छिक फ़ाइल संलग्न करूंगा।

मैं उदाहरण के स्रोत कोड से कोड को अपने स्रोतों में स्थानांतरित करता हूं, मैं उसी प्रभाव को प्राप्त करने की कोशिश करता हूं ... यह संकलन नहीं करता है, यह रिकवरी में बाहर आता है।

फिर मैंने अपनी बाईं आंख से टिप्पणियों को पढ़ा और पाया कि समाधान आदेशों को पहचानने के लिए उपयुक्त है, लेकिन निरंतर पाठ के साथ काम करने की अनुमति नहीं देता है। मैं मूल उदाहरण के अनुसार जांच करता हूं। हाँ, "एक, दो" पहचानता है, और "एक, दो, तीन" पूरी तरह से नहीं है: वह तीनों को नहीं सुनता है। टिप्पणियों में मुझे अपनी दाहिनी आंख के साथ कुछ ऐसा लगता है जैसे: "निरंतर पाठ एक शुल्क के लिए पहचाना जाता है" - और Microsoft भाषण मंच मेरे लिए मौजूद है।

मैंने सुना है कि Google अपने पहचानकर्ता को एक वर्ष के लिए मुफ्त में प्रदान करता है, मुझे जांच करनी चाहिए।

मैं जांच करता हूं। अब और नहीं, जहां तक मैं न्याय कर सकता हूं।

मैं इसे गलत तरीके से नहीं छोड़ता, लेकिन मुझे दोष मत दो: मैं अपने शुरुआती लोगों के साथ साझा करता हूं जो मैंने व्यक्तिगत अनुभव प्राप्त किया है।

मैं यैंडेक्स को देने जा रहा हूं। यहाँ विस्मयादिबोधक हैं "भाइयों, सब कुछ काम करता है!" व्यक्तिगत अनुरोध पर पर्याप्त और निजी व्यक्ति, मुफ्त में सेवा प्राप्त कर सकते हैं, मैंने अपनी आंखों से विज्ञापन देखा। मैं एपीआई द्वारा स्पीचिट से कनेक्ट कर सकता हूं, निर्देश उपलब्ध हैं।

मैं हार मानने के लिए आया हूं और मुझे क्या देखना है? कंपनी ने सिर्फ Yandex.Cloud प्रस्तुत किया, जहां उसने भाषण प्रौद्योगिकी सेवा को स्थानांतरित किया। मुझे गर्व नहीं है, मैं क्लाउड में पंजीकरण करूँगा: शायद सब कुछ पहले जैसा ही है ...

और यहाँ एक भयानक बमर मेरे लिए इंतजार कर रहा है:

सबसे पहले, आप पहचानकर्ता के मुफ्त उपयोग के बारे में नहीं सुन सकते। सच है, वे एक अनुदान देते हैं जिसके साथ आप थोड़ी देर के लिए सेवा का भुगतान कर सकते हैं। ठीक है, मैं पंजीकरण करना जारी रख रहा हूँ ...
और यह व्यवसाय क्या है! सेवा के साथ काम करने के लिए, उन्हें बैंक कार्ड के विवरण का संकेत देना होगा। क्लाउड में प्रोफ़ाइल के निर्माता के रूप में मुझे भेजे गए एक पत्र का अंश:

कहीं यह मैंने देखा: मेरी राय में, Google पर। इसलिए, यैंडेक्स ने एक वरिष्ठ मित्र से एक उदाहरण लिया।

मुझे हैबे पर अडिग पदों की अनुपस्थिति से आश्चर्य होता है। खैर, उन्हें केवल सेवाओं के लिए पैसे की आवश्यकता नहीं है, लेकिन उस अपार्टमेंट की कुंजी के लिए पूछें जहां पैसा है! यह मुझे इस बात से प्रभावित करता है कि कुछ समय के लिए बैंक प्रबंधक के निर्णय के अनुसार बैंक मेरे अपने पैसे नहीं दे सकता है, और यहाँ दूसरे चाचा को अनिवार्य रूप से समान अधिकार की आवश्यकता होती है। इसके अलावा, इससे पहले कि मैं भुगतान किए गए संस्करण पर स्विच करने के लिए सहमत हूं। मैंने अभी तक इस चाचा के साथ कोई समझौता नहीं किया है, और पहले ही मामले में मुझे अपार्टमेंट की चाबी दे दिया है। आह, क्या एक दयालु और विवेकपूर्ण है!

आप जानते हैं, चाचा यांडेक्स, मेरे पास आपके खिलाफ कुछ भी नहीं है, और मैं आपकी सेवाओं का आनंद के साथ उपयोग करता हूं, लेकिन, क्षमा करें, जब तक मुझे चुनने का अवसर नहीं मिलता है, आपको मेरे बैंक कार्ड से पासवर्ड प्राप्त नहीं होगा। और विशेष रूप से आपके पास दो रूबल के साथ एक कार्ड बनाने के लिए मेरे पास कोई समय नहीं है, और यह लाभहीन है।

यहाँ एक नोट भाषण मान्यता प्रौद्योगिकियों की अपूर्णता के बारे में आंख को पकड़ता है। मुद्दा यह है कि फिलहाल भाषण मान्यता के क्षेत्र में कुछ भी अच्छा नहीं किया गया है, और यह मान्यता प्रणालियों का उपयोग करने के लायक नहीं है। मैं कसम खाता हूं और खुद को इस विचार के लिए इस्तीफा देता हूं कि निकट भविष्य में बुद्धिमान बुद्धिमान नहीं बोलेंगे।

नीचे दिया गया अनुच्छेद ऑनलाइन भाषण पहचान सेवाओं के बारे में अगला लेख है। ऑनलाइन सेवाएं उपयुक्त नहीं हैं, निश्चित रूप से। वैसे मैं winforms में ध्वनि को पहचानता हूं, लेकिन साइट पर नहीं ... बिना किसी मामूली उम्मीद के, मैं लिंक पर क्लिक करता हूं और ...

अगले दिन, चैट बॉट आवाज प्राप्त करता है।

पेश है जादू की छड़ी: speechpad.ru । मैं आपको चेतावनी देता हूं कि सेवा केवल क्रोम में काम करती है। यह मुझे रोकता नहीं है: मैं किसी भी क्रोम का उपयोग करता हूं। और उसके पास Google से इंजन है: जाहिरा तौर पर, सेवा का उपयोग करने के लिए अज्ञात कुछ अवसर मेरे पास मुफ्त हैं।

स्पीचपैड का सीधा, लेकिन काफी कार्यात्मक इंटरफ़ेस है:

पहचानकर्ता को जोड़ने में न्यूनतम समय लगता है।

निर्देशों को पढ़ने के बाद, पहली चीज जो मैं करता हूं वह ओएस के साथ सेवा को एकीकृत करता है। सच है, एकीकरण का भुगतान किया जाता है, लेकिन एक महीने में 100 रूबल, मान्यता की मात्रा की परवाह किए बिना, एक और मामला है! ये प्रत्येक मान्यता प्राप्त टुकड़े के लिए ड्रैकियन टैरिफ नहीं हैं। इसके अलावा, दो दिनों की एक परीक्षण अवधि परिचित के लिए दी गई है।

मैं साइट पर पंजीकरण करता हूं, मैं परीक्षण अवधि के पावर-ऑन बटन को दबाता हूं, एक मिनट में मैं निर्देशों में निर्दिष्ट प्रीब्लूडा के एक जोड़े को स्थापित करता हूं, और सब कुछ काम करता है। कार्रवाई का सिद्धांत - मान्यता प्राप्त पाठ कर्सर के स्थान पर जोड़ा जाता है। वास्तव में मान्यता प्राप्त है और वास्तव में जोड़ा गया है। यह त्रुटियों के बिना नहीं पहचाना जाता है, लेकिन, मेरे दृष्टिकोण से, संतोषजनक है।

कुछ घंटों के परीक्षण के बाद, मैं इस निष्कर्ष पर पहुंचा हूं कि क्लिपबोर्ड का उपयोग करना अधिक तर्कसंगत है, और यह सुविधा मुफ्त है। यहाँ, निश्चित रूप से, हर किसी के लिए नहीं:

ओएस के साथ एकीकरण करते समय, कर्सर एक विशिष्ट चैटबोट फ़ील्ड पर होना चाहिए। परीक्षण के दौरान, मैं कई बार भूल जाता हूं और चैट बॉट से वीएस पर स्विच करता हूं, जिसके परिणामस्वरूप मान्यता प्राप्त पाठ स्रोत में संचालित होता है;
क्लिपबोर्ड का उपयोग करते समय, यह क्लिपबोर्ड का उपयोग करने के लिए निषिद्ध है, अन्यथा तृतीय-पक्ष कार्यक्रम से क्लिपबोर्ड पर कॉपी किया गया पाठ तुरन्त चैटबॉट में दिखाई देगा। एक दो बार मैं भी इस पार आता हूं, लेकिन जल्द ही मुझे इसकी आदत हो जाती है।

अंत में मैं क्लिपबोर्ड पर रुक जाता हूं।

सब कुछ, समस्या हल हो गई है।

स्पीचपैड से मान्यता को जोड़ने से अधिक समय, यह चैट बॉट द्वारा बोली जाने वाली वाक्यांशों को पहचानने में नहीं लगता है। मुझे बहुत पसीना आता है जब तक कि यह मेरे पास नहीं पहुंच जाता है कि माइक्रोफोन को बंद करना सबसे आसान है। माइक्रोफोन म्यूट कोड को Googling।

माइक्रोफोन ऑन / ऑफ कोड

 using NAudio.CoreAudioApi; //-  public static void Mute(bool start) { CoreAudioMicMute CAMM = new CoreAudioMicMute(); CAMM.SetMute(start); } internal class CoreAudioMicMute { private MMDevice[] rgMicDevice; //      int MaxMicro = 0; public CoreAudioMicMute() { try { MMDeviceEnumerator DevEnum = new MMDeviceEnumerator(); MMDeviceCollection devices = DevEnum.EnumerateAudioEndPoints(DataFlow.Capture, DeviceState.Active); // DataFlow.Capture - (     ), //DeviceState.Active -   //   (  ) MaxMicro = 0; for (int i = 0; i < devices.Count; i++) // devices.Count -  ( ) { MMDevice deviceAt = devices[i]; if (deviceAt.DataFlow == DataFlow.Capture && deviceAt.State == DeviceState.Active) // - (     ,   //"if(...",      deviceAt,   - DeviceFriendlyName //  FriendlyName,       ( //   .) { ++MaxMicro; } } //    () () ()   (,   ) rgMicDevice = new MMDevice[MaxMicro]; MaxMicro = 0; for (int i = 0; i < devices.Count; i++) { MMDevice deviceAt = devices[i]; if (deviceAt.DataFlow == DataFlow.Capture && deviceAt.State == DeviceState.Active) //   () { MaxMicro++; rgMicDevice[MaxMicro - 1] = deviceAt; } } } catch (Exception) { } } public void SetMute(bool mute) //,       private MMDevice[] rgMicDevice { try { for (int i = 0; i < MaxMicro; i++) { rgMicDevice[i].AudioEndpointVolume.Mute = mute; //= true -   (  ) } } catch (Exception) { } } }

* - टिप्पणियां मेरी नहीं हैं, लेकिन कॉपी-पेस्ट की गई हैं। मैं लिंक नहीं देता, क्योंकि इसके मालिक स्वीकार करते हैं कि उनके पास अंग्रेजी बोलने वाले इंटरनेट के बाउल में स्वयं कोड है।
** - मैंने कोड में मामूली बदलाव किए।

चैट बॉट के वाक्यांश से पहले, मैं माइक्रोफोन को बंद कर देता हूं, वाक्यांश के बाद मैं चालू करता हूं, परिणामस्वरूप, सेवा केवल मेरे वाक्यांशों को सुनती है, लेकिन चैट बॉट को नहीं सुनती है।

यहाँ अंतिम परिणाम है:

https://yadi.sk/i/kyoV-qoc6qXARQ

अपने छापों की पूर्णता के लिए, मैं भाषण मान्यता के साथ एक दर्जन साइटों को ब्राउज़ कर रहा हूं। सिद्धांत रूप में, सभी एक जैसे हैं, और अधिकांश इंजन Google से हैं, लेकिन क्लिपबोर्ड में स्पष्ट रूप से पाठ प्राप्त करने की क्षमता नहीं पाई गई है। टिप्पणियों को देखते हुए, कुछ जगहों पर साइटों को आवाज देने की संभावना है, लेकिन मैं इस विषय में नहीं आता हूं। जैसा कि वे कहते हैं, वे अच्छे से अच्छे की तलाश नहीं कर रहे हैं।

अब एक और समस्या: मुझे लगता है कि वितरित भाषण का उच्चारण करने वाले एनीमेशन को कसने के लिए अच्छा होगा। मुझे कुछ सरल चाहिए: चरित्र की पसंद के साथ सी # के लिए एक पुस्तकालय। लेकिन मुझे बताया गया था कि .NET में कोई भी नहीं है ...

असल में, यह बात है। युवक के पास एक महिला आवाज है, लेकिन सामान्य तौर पर, आवाज मोड कार्य कर रहा है।

मुझे उम्मीद है कि जल्द ही वान्या द रीजनेबल को और अधिक प्रस्तुत रूप में पेश किया जाएगा। पिछले समय के दौरान, यह काफी अद्यतन और समझदार हो गया है: यह एक्सेस से पोस्टग्रेक्यूएल में बदल गया, एल्गोरिदम में सुधार हुआ, शब्दकोशों को कनेक्ट करना संभव था, विशिष्ट उत्तरों के प्रारंभिक डेटाबेस का निर्माण करना - एक अन्य व्यक्ति, संक्षेप में।

चैटबोट सुनवाई, या शौकिया पीड़ित हो जाता है

More articles: