Поиск информации в звуковых файлах

привязанные к говорящему – эти программы постоянно обучаются и со временем начинают понимать голос «своего хозяина» все лучше и лучше. Чем чаще пользователь работает в программе, тем лучше она понимает его.

независимые от говорящего – вы можете начинать говорить сразу – программа будет реагировать на голосовые команды. В отличие от первого типа, этим программам не нужно учиться понимать вас. Наоборот, вам надо научиться говорить так, чтобы программа вас понимала.

Работа на ПК существенно облегчится.

Диктовка – с помощью программ распознавания речи многие пользователи надиктовывают тексты документов. Такая возможность актуальна, например, для медиков, проводящих обследование (в ходе которого руки обычно заняты) и одновременно протоколирующих его результаты. Для обычного пользователя, которому набивать текст по какой-либо причине сложно (или просто лень) она также может оказаться полезной.

Ввод команд – пользователи ПК могут использовать «распознавалку» для ввода команд, то есть проговариваемое слово будет восприниматься системой как щелчок клавиши мыши. Пользователь командует: «Открыть файл», «Отправить почту» или «Новое окно», а компьютер выполняет соответствующие действия. Это особенно актуально для людей с ограниченными физическими возможностями – вместо мыши и клавиатуры они смогут управлять компьютером при помощи голоса.

для распознавания речи требуется:

Программа распознавания речи – англоязычные пользователи Windows могут воспользоваться, например, Dragon Naturally Speaking или IBM Via Voice. Русский язык понимают программы «Горыныч» и «Диктограф». В операционную систему Windows Vista программа распознавания речи уже встроена.

Микрофон или гарнитура (гибрид наушника и микрофона) – для «попадания» слов в компьютер.

Достаточно производительный компьютер – для работы функции распознавания речи компьютер не должен быть сверхбыстрым. Вполне достаточно 1 Гб оперативной памяти (для работы Windows Vista лучше иметь 2 Гб) и тактовой частоты процессора не менее 1 ГГц.

функция распознавания речи  используется в:
Функция распознавания речи может использоваться не только в ПК, но и во многих других устройствах.

Мобильные телефоны – уже несколько лет существуют модели с возможностью голосового управления. Но к распознаванию голоса это отношения не имеет – аппарат не переводит голос в текст, а сравнивает произнесенную фразу с заранее записанной (последняя является «эталонной» и обычно называется «голосовой меткой»). Голосовая метка может соответствовать записи в адресной книге (голосовой набор) или пункту меню (голосовое управление). Если телефон изначально не имеет соответствующих функций, «обучить» его будет невозможно.

Мобильные навигаторы – в новых навигационных устройствах, например, Tom Tom Go 720T водитель может голосом ввести пункт назначения. Если произносить слова отчетливо и, по возможности, в тишине, то эта функция работает очень хорошо. Хотя данная операция занимает столько же времени, сколько и клавиатурный ввод, но во время движения в любом случае более безопасно и удобно использовать голосовое управление. Правда, совсем без рук здесь не обойтись – для запуска голосовой команды нужно нажать на экранную кнопку.

Автомобили – некоторыми новыми марками автомобилей, например, Mercedes, Audi, Toyota, Ford или BMW, можно управлять при помощи голоса (правда, набор команд ограничен). Например, в некоторых моделях BMW после нажатия кнопки, расположенной на руле (см. рисунок), активируются функции голосового управления стереосистемой или системой навигации.

Мультимедийные диски для изучения иностранных языков – некоторые обучающие программы проверяют правильность произношения. Программа просит вас прочитать определенное предложение и, обработав с помощью функции распознавания речи результат, сообщает, все ли у вас в порядке с произношением.

перспективы функции распознавания речи:
В мобильных телефонах роль функции распознавания речи существенно возрастет, ведь набивать текст на маленьких клавиатурах мобильных телефонов весьма утомительно.

Диктовка SMS-сообщений – скоро вам не понадобится набирать текст сообщений на телефоне – можно будет просто диктовать. Эту функцию обещает внедрить в некоторые модели своих телефонов фирма Samsung (в ближайшее время они должны появиться на рынке).

Перевод – ко времени проведения Олимпийских игр–2008 в Пекине ожидается появление мобильного телефона со встроенным переводчиком. Если вы, находясь в Поднебесной, захотите, к примеру, отобедать в ресторане, то вам достаточно будет по-русски наговорить свой заказ в мобильный телефон – все будет переведено на китайский язык, а электронный голос из динамика передаст заказ официанту.

Можно предположить, что со временем все большее количество устройств будет понимать человеческий голос. Поэтому не удивляйтесь, если однажды утром ваша кофе-машина не только спросит вас, что приготовить – капуччино или эспрессо – но и поймет ваш ответ.

Программы распознавания речи.

Наиболее удачными оказались разработки в этой области для английского языка, потому что он довольно прост по сравнению с другими. Но даже эти программы являются хоть и успешными, но все же экспериментами, потому что не обеспечивают стопроцентного распознавания.

С русским языком все намного сложнее. Сейчас не существует ни одной программы распознавания речи, позволяющей достичь хоть какого-то приемлемого результата. Не верьте рекламе, утверждающей, что с помощью их продукта вы сможете набирать по 500 знаков в минуту. На деле все наоборот – вы будете тщетно пытаться добиться «угадывания» программой простейшего слова, произнося его множество раз.

Даже если вы создадите для работы программы идеальные условия, которые она запрашивает – хорошая звуковая карта, качественная гарнитура (наушники + микрофон), отсутствие посторонних шумов, четкое членораздельное произношение слов, подстройка под ваш голос – все равно пользы от нее не будет.

Русскоязычные программы для перевода речи в текст – это популярный (но отнюдь не полезный) Горыныч, Диктограф (или Микросервис), Перпетуум-Мобиле, Комбат.

Довольно впечатляющие результаты показывает «Программа пофонемного распознавания речи». Но она не позволяет переводить распознанные слова в текстовый редактор. Она распознает только слова, уже имеющиеся в ее словаре, а это около двадцати слов. Словарь можно самостоятельно дополнять, но для этого нужно записать в специальный файл транскрипцию слова, используя особенные обозначения фонем. Это очень долго и не имеет смысла, раз уж нельзя диктовать в редактор. Если дописать модуль перевода распознанных слов в текст, научить программу распознавать речь без выдержки пауз между словами  или хотя бы сделать требуемые паузы минимальными и создать большой словарь, то может получиться высококачественный программный продукт.

В нынешнее время достижения в области речевых технологий, эффективно используемые на практике, не связаны с диктовкой текста. Индустрия речевых технологий ориентирована на голосовую идентификацию пользователей (пароли и безопасность), управление различными электронными устройствами (от персонального компьютера до самолета) с помощью голоса, программы для незрячих, шумоочистку, логопедию и др. Даже лидер в этой области, российская компания «Центр речевых технологий», работающая уже более двадцати лет, не берется (во всяком случае, пока) за выпуск программного обеспечения по переводу речи в текст.

Описание одной из программ.

Практически вся современная научная фантастика предсказывает нам, что в будущем компьютером и прочими “умными” бытовыми приборами мы будем управлять исключительно голосом. Этот весьма необычный способ управления существует уже сегодня, но вот работоспособен ли он?
 

Была такая реклама в одном уважаемом компьютерном журнале: с помощью встроенного в ноутбук микрофона в реальном времени осуществлялся захват звука англоязычного блока теленовостей CNN; полученный звуковой поток тут же передавался системе распознавания речи «Горыныч», преобразовывался в электронный текст и отображался в окне WordPad; распознанный англоязычный текст обрабатывался программой-переводчиком «ПРОМТ» и уже на русском языке распечатывался на принтере «для неторопливого чтения в свободное время».

О программе
«Горыныч Проф 3.0″ – собственная разработка российской компании VoiceLock.
«Древние» версии русских «Драконов» – «Комбат» и «Диктограф», представляющие собой простой перевод программы Dragon Dictate, не имеют никакого отношения к современному «Горынычу» – единственной на сегодняшний день полнофункциональной системе распознавания речи, которая кроме английского понимает и русский язык.

Программа имеет два режима: команд и диктовки. Ввод текста возможен в окна любых приложений под Windows. Ожидаемая скорость ввода – 500-700 печатных знаков в минуту. Реализована возможность голосового управления периферийным оборудованием, функциями прикладных программ и операционных систем Windows 98SE/Mе/2000/XP. В основе работы – принцип дикторонезависимости. Программа распространяется на CD компанией «Новый Диск» (www.nd.ru/products/exclusive/gorynych3.asp) и стоит $49. Облегченная версия (light) урезана в возможностях, имеет маленькие словари, но позволяет сделать вывод насчет эффективности и к тому же стоит на порядок меньше полной ($4).

Как видите, программа, судя по ее описанию, обещает заманчивую перспективу – отложить в сторону мышь с клавиатурой и просто говорить в микрофон. Компьютер будет выполнять команды и печатать текст в два раза быстрее профессиональной машинистки. Программа поймет голос любого пользователя сразу после установки (раз она дикторонезависимая).

ГОТОВИМСЯ К ВСТРЕЧЕ С «ГОРЫНЫЧЕМ»
Самой распространенной ошибкой при работе с программами речевого восприятия является использование устройств мультимедиа низкого качества. В результате на форумах, посвященных этим программам (пример – forum.ru-board.com), можно увидеть нелестные отзывы вроде: «Поставил я «Горыныча» и снес его через два дня – полнейший отстой, ничего не слышит!». Конечно, не услышит, если пытаться общаться с программой с помощью микрофона за 200 рублей и такой же дешевой звуковой карты.

Распознавание речи – настолько не типовая задача, что решить ее при помощи стандартного оборудования, устанавливаемого по умолчанию на большинство компьютеров, попросту невозможно. Нечего и мечтать о работе с «Горынычем» без гарнитуры вроде “Voice Direct” (наушники с закрепленным на них микрофоном). Эта гарнитура обеспечивает приемлемое качество передачи речи и позволяет минимизировать влияние сторонних фоновых шумов. Не нужно использовать и встроенные (например, в монитор) приемники звука.

НАСТРОЙКА МИКРОФОНА

«Горыныч» состоит их трех отдельных программных модулей, которые не могут быть запущены одновременно. Собственно, сам «Горыныч Проф 3.0″ – это главное окно программы, модули «Настройка словарей» и «Настройка микрофона». Последний модуль необходимо запустить первым – сразу после установки программы. Без этого шага сам «Горыныч» просто не запустится. Настройка микрофона (может быть как ручной, так и автоматической) заключается в произнесении нескольких фраз и, в соответствии с индикаторами, уменьшении или увеличении уровня записи. Один цикл автоматической настройки состоит из двух последовательно проводящихся тестов: шума и сигнала с данными. При тесте шума нужно соблюдать тишину (ничего не говорить в микрофон), поскольку эта часть нужна для определения уровня фонового шума. В тесте сигнала с данными достаточно произнести любую фразу из двух-трех слов. Говорить следует с такой громкостью и интонацией, с какой в дальнейшем вы собираетесь работать с программой.

ИНТЕРФЕЙС «ГОРЫНЫЧА»
При запуске основного модуля программы открывается главное окно и два вспомогательных окна мониторинга, предназначенных для наблюдения за сигналом с микрофона во время произнесения слов. В верхнем окне сигнал отображается по мере поступления со звуковой карты. В нижнее окно выводится графическое отображение сказанного слова.

В средней части главного окна расположена панель с основными кнопками управления.
- Кнопка включения и выключения звукозаписи. Важно помнить: перед выходом из программы звукозапись следует выключить.

- Кнопки английского/русского языка – переключают программу в режим использования английских/русских словарей диктовки и команд.

- Кнопка настройки модулей – элементов программы, отвечающих за возможности голосового управления другими программами и некоторыми функциями операционной системы.

- Кнопка прослушивания предыдущего сказанного слова – для контроля качества сигнала с микрофона. Например, если прослушивание сопровождается сильным треском, то это может быть следствием шума при записи звука.

- Кнопка переключения между режимами команд и диктовки.

В процессе работы с программой в главном окне отображается следующая информация:

- описание текущего режима работы;
- заголовок окна, в которое будет выводиться текст в режиме диктовки (этим текстом и будет вестись управление в командном режиме);

- описание текущего состояния звукозаписи;

- текстовое отображение последнего распознанного слова.

НАСТРОЙКА СЛОВАРЕЙ
«Горыныч» может распознать только те слова, которые имеются в его активном словаре. Каждому элементу такого словаря соответствует его текстовое представление и звуковая модель произношения – как слышится и как пишется. Программа укомплектована словарями диктовки на 5000 слов и словарями команд на 100 слов для каждого из двух языков. В каждом словаре можно заменить (потренировать) слова, уже находящиеся в нем, либо настроить слово под свое произношение. Для контроля записанное слово можно прослушать.
Новые команды станут дикторонезависимыми, если их произнесет и запишет по очереди 15-20 человек.

РЕЖИМ КОМАНД
«Горыныч» запускается в режиме команд. Остается только включить звукозапись, чтобы эти команды могли быть услышаны, распознаны и выполнены. В окно доступных команд выводится список слов, которые можно сказать в данный момент. Список этих команд изменяется в зависимости от того, что происходит на компьютере. Например, щелчок мыши по Рабочему столу приводит к появлению в этом списке команд, соответствующих подписям под значками: «Блокнот», «Корзина», «Мой компьютер» и другие.

Однако некоторые команды, например, для значков «Книга», «Проигрыватель Windows Media» и The Bat!, не появляются. Оказывается, многие команды отсутствуют в русском словаре команд, и их нужно в него добавить. Но и после этого не все из них будут в списке доступных. Так, из перечисленных выше команд в список добавилась только «Книга».

Причина в следующем: в свойствах модуля запуска ярлыков с Рабочего стола настройки по умолчанию запрещают реакцию программы на команды, состоящие более чем из двух слов, а строка символов для исключения содержит латинские буквы. Если увеличить максимальное количество слов в команде до трех-четырех и убрать в строке ограничений латинские буквы, команды для всех ярлычков появятся в списке доступных. Произнесение команды в микрофон будет равносильно щелчку по соответствующему значку на Рабочем столе.