🔌 ✊🏾 👩‍⚖️ भाषण मान्यता: एक बहुत ही कम परिचयात्मक पाठ्यक्रम 👩‍🎨 👨🏽‍🎓 🍗

कंप्यूटर भाषण मान्यता के काम के बारे में आम आदमी को जितना संभव हो उतना आसान बताना और इसे पाठ में परिवर्तित करना लगभग असंभव है। इस बारे में एक भी कहानी जटिल सूत्रों और गणितीय शब्दों के बिना पूरी नहीं हुई है। हम यथासंभव स्पष्ट और थोड़ा सरल रूप से समझाने की कोशिश करेंगे कि आपका स्मार्टफोन भाषण को कैसे समझता है, जब कारों ने एक मानवीय आवाज को पहचानना सीख लिया है और इस तकनीक का उपयोग किन अप्रत्याशित क्षेत्रों में किया जाता है।

आवश्यक चेतावनी: यदि आप एक डेवलपर हैं या इससे भी कम, एक गणितज्ञ हैं, तो आपको पद से कुछ भी नया सीखने और वैज्ञानिक सामग्री की कमी के बारे में शिकायत करने की संभावना नहीं है। हमारा लक्ष्य है कि बिना पढ़े-लिखे पाठकों को सरल तरीके से भाषण प्रौद्योगिकी से परिचित कराना और यह बताना कि कैसे और क्यों तोशिबा ने अपनी आवाज एआई का निर्माण किया।

भाषण मान्यता के इतिहास में महत्वपूर्ण मील के पत्थर

इलेक्ट्रॉनिक मशीनों द्वारा मानव भाषण की मान्यता का इतिहास थोड़ा पहले शुरू हुआ, यह सोचने के लिए प्रथागत है: ज्यादातर मामलों में यह 1952 से गणना करने के लिए प्रथागत है, लेकिन वास्तव में वॉइस कमांड पर प्रतिक्रिया देने वाले पहले उपकरणों में से एक टेलीवॉक्स रोबोट था, जिसके बारे में हमने पहले ही लिखा था । 1927 में यूएसए में बनाया गया, हर्बर्ट टेलीवॉक्स रोबोट एक सरल उपकरण था जिसमें विभिन्न रिले विभिन्न आवृत्तियों की ध्वनियों पर प्रतिक्रिया करते थे। रोबोट में तीन ट्यूनिंग फोर्क थे, जिनमें से प्रत्येक अपने स्वर के लिए जिम्मेदार था। ट्यूनिंग कांटा काम करता है जिसके आधार पर, एक या दूसरे रिले को सक्रिय किया गया था।

वास्तव में, कमांड मान्यता प्रणाली सहित टेलीवॉक्स का पूरा "फिलिंग" "रोबोट" के शरीर के क्षेत्र में एक रैक पर स्थित था। इसके ढक्कन को बंद करना असंभव था, अन्यथा ट्यूनिंग कांटे सही ढंग से "ध्वनि" नहीं सुन सकते थे। स्रोत: Acme Telepictures / विकिमीडिया।

टेलीविक्स के साथ एक सीटी के साथ अलग-अलग संकेतों के रूप में संचार करना संभव था, और कम मौखिक संकेतों में - उनके ट्यूनिंग कांटे भी ध्वनियों के अनुक्रम में बाहर रखे गए थे। रोबोट के निर्माता, रॉय वेन्सले ने भी उस समय के लिए एक शानदार प्रदर्शन का मंचन किया था, जिसमें कहा गया था कि कमांड "सीसम, ओपन" है, जिसके माध्यम से टेलीवॉक्स दरवाजा खोलने के लिए जिम्मेदार रिले पर बदल गया। कोई डिजिटल तकनीक, तंत्रिका नेटवर्क, एआई और मशीन सीखने - सिर्फ एनालॉग तकनीक!

अगला प्रमुख आविष्कार जिसने मानव भाषण की सच्ची पहचान का मार्ग प्रशस्त किया, वह ऑड्रे मशीन थी, जिसे 1952 में बेल लैब्स इनोवेशन फोर्ज में विकसित किया गया था। विशाल ऑड्रे ने बहुत सारी बिजली का उपभोग किया और एक अच्छे कैबिनेट का आकार था, लेकिन इसकी सभी कार्यक्षमता शून्य से नौ तक बोली जाने वाली संख्याओं को पहचानने के लिए कम हुई। सिर्फ दस शब्द, हां, लेकिन यह मत भूलिए कि ऑड्रे एक एनालॉग मशीन थी।

दुर्भाग्य से, कहानी ने ऑड्रे की सार्वजनिक तस्वीरों को संरक्षित नहीं किया है, केवल एक अवधारणा है। कागज पर सरल, अनुवाद करने में मुश्किल - समकालीनों के संस्मरणों के अनुसार, ऑड्रे घटकों ने एक संपूर्ण कैबिनेट पर कब्जा कर लिया। स्रोत: बेल लैब्स

यह इस तरह से काम करता है: उद्घोषक ने माइक्रोफोन में संख्याओं की बात की, शब्दों के बीच कम से कम 350 एमएस के अंतराल बनाते हुए, ऑड्रे ने उन ध्वनियों को विद्युत संकेतों में परिवर्तित किया और उनकी तुलना एनालॉग मेमोरी में दर्ज नमूनों से की। तुलना के परिणामों के अनुसार, कार ने डैशबोर्ड पर संख्या को उजागर किया।

यह एक सफलता थी, लेकिन ऑड्रे से कोई वास्तविक लाभ नहीं था - मशीन ने 97% की सटीकता के साथ अपने निर्माता की आवाज को पहचान लिया, अन्य विशेष रूप से प्रशिक्षित वक्ताओं ने 70-80% की सटीकता प्राप्त की। अजनबी जिन्होंने पहली बार ऑड्रे से संपर्क किया, चाहे उन्होंने कितनी भी कोशिश की, स्कोरबोर्ड पर उनकी संख्या केवल 50% मामलों में देखी।

अपने समय के लिए क्रांतिकारी परिणामों के बावजूद, ऑड्रे को नहीं मिला, और व्यावहारिक अनुप्रयोग नहीं मिला। यह मान लिया गया था कि सिस्टम को टेलीफोन ऑपरेटरों के बजाय अनुकूलित किया जा सकता है, लेकिन फिर भी, मानव सेवाएं अधिक सुविधाजनक, तेज़ और ऑड्रे की तुलना में अधिक विश्वसनीय थीं।

ऑड्रे के समान प्रस्तुति, केवल बहुत छोटी, मशीनें - आईबीएम शोएबॉक्स। शोबॉक्स की गति स्पष्ट रूप से दिखाई देती है। मशीन जोड़ और घटाव का सरल गणितीय कार्य भी कर सकती थी

1960 के दशक की शुरुआत में, भाषण मान्यता के लिए मशीनें बनाने का काम जापान, यूके, यूएसए और यहां तक कि यूएसएसआर में किया गया था, जहां उन्होंने टाइमलाइन (डीटीडब्ल्यू) के गतिशील परिवर्तन के लिए एक बहुत ही महत्वपूर्ण एल्गोरिथ्म का आविष्कार किया था, जिसकी मदद से लगभग 200 शब्दों को जानने वाली प्रणाली का निर्माण संभव था। लेकिन सभी घटनाक्रम एक-दूसरे के समान थे, और मान्यता सिद्धांत एक सामान्य दोष बन गया था: शब्दों को अभिन्न ध्वनि उंगलियों के निशान के रूप में माना जाता था, और फिर उन्हें नमूनों के आधार (शब्दकोश) के खिलाफ जांचा गया था। शब्दों के उच्चारण की गति, समय और स्पष्टता में किसी भी बदलाव ने मान्यता की गुणवत्ता को काफी प्रभावित किया। वैज्ञानिकों के पास एक नया काम है: मशीन को अलग-अलग ध्वनियों, ध्वनियों या शब्दांशों को सुनने के लिए सिखाने और फिर उनसे शब्द बनाने के लिए। इस तरह के एक दृष्टिकोण से स्पीकर को बदलने के प्रभाव को बाहर करना संभव होगा, जब स्पीकर के आधार पर, मान्यता का स्तर तेजी से बढ़ेगा।

— , . , « » «» «». «» « » « » «», — «». , , .

1971 में, रक्षा उन्नत अनुसंधान परियोजना एजेंसी (DARPA) विभाग ने $ 15 मिलियन के बजट के साथ पांच साल का कार्यक्रम शुरू किया, जिसे एक मान्यता प्रणाली बनाने का काम सौंपा गया था जो कम से कम 1000 शब्दों को जानता था। 1976 तक, कार्नेगी मेलन विश्वविद्यालय ने हार्पी को पेश किया, जो 1011 शब्दों के शब्दकोश का संचालन करने में सक्षम था। हार्पी ने नमूनों के साथ पूरी तरह से सुना जाने वाले शब्दों की तुलना नहीं की, लेकिन उन्हें एलोफोन्स (इसके चारों ओर के अक्षरों के आधार पर एक ध्वनि की ध्वनि का एक नमूना) में विभाजित किया। यह एक और सफलता थी, यह पुष्टि करते हुए कि भविष्य पूरे शब्दों के बजाय व्यक्तिगत स्वरों की मान्यता में निहित है। हालांकि, हार्पी की कमियों के बीच एलोफोंस (फोनमेस का उच्चारण) की सही पहचान का एक बेहद निम्न स्तर था - लगभग 47%। इस तरह की उच्च त्रुटि के साथ, शब्दकोश की मात्रा के बाद त्रुटियों का हिस्सा बढ़ गया।

हार्पी कैसे काम करता है, इसका विवरण। कार्यक्रम का वीडियो नहीं बचा।

हार्पी के अनुभव से पता चला है कि समग्र ध्वनि फ़िंगरप्रिंट के शब्दकोशों का निर्माण करना बेकार है - यह केवल मान्यता के समय को बढ़ाता है और सटीकता को काफी कम कर देता है, इसलिए दुनिया भर के शोधकर्ताओं ने एक अलग रास्ता अपना लिया है - स्वरों को पहचानना। 1980 के दशक के मध्य में, आईबीएम टैंगोरा मशीन किसी भी उच्चारण, बोली और उच्चारण के साथ किसी भी वक्ता के भाषण को समझना सीख सकती है, इसके लिए केवल 20 मिनट के प्रशिक्षण की आवश्यकता होती है, जिसके दौरान फोनोम्स और एलोपोन के नमूनों का एक डेटाबेस जमा हुआ था। छिपे हुए मार्कोव मॉडल के उपयोग ने आईबीएम टंगोरा की शब्दावली को भी प्रभावशाली 20,000 शब्दों तक बढ़ा दिया - जो कि हार्पी के मुकाबले 20 गुना अधिक था, और पहले से ही किशोर की शब्दावली से तुलनीय है।

1950 के दशक से 1990 के दशक के मध्य तक की सभी भाषण पहचान प्रणाली किसी व्यक्ति की प्राकृतिक बोली जाने वाली भाषा को पढ़ना नहीं जानते थे - उन्हें अलग-अलग शब्दों का उच्चारण करना पड़ता था, उनके बीच में ठहराव। एक वास्तविक रूप से क्रांतिकारी घटना 1980 के दशक में विकसित छिपे मार्कोव मॉडल की शुरूआत थी - एक सांख्यिकीय मॉडल जिसने ज्ञात तत्वों के आधार पर अज्ञात तत्वों के बारे में सटीक धारणा बनाई। सीधे शब्दों में कहें तो एक शब्द में कुछ ही पहचाने गए स्वरों के साथ, छिपी हुई मार्कोव मॉडल बहुत ही सटीक ढंग से लुप्त हो रही फुहारों का चयन करती है, जिससे वाक् पहचान की सटीकता में काफी वृद्धि होती है।

1996 में, पहला व्यावसायिक कार्यक्रम दिखाई दिया, जो व्यक्तिगत शब्दों में अंतर करने में सक्षम नहीं था, लेकिन प्राकृतिक भाषण का एक निरंतर प्रवाह - आईबीएम मेडस्पीक / रेडियोलॉजी। आईबीएम एक विशेष उत्पाद था जिसका उपयोग चिकित्सा में शॉर्टहैंड करने के लिए किया गया था, जो अध्ययन के दौरान एक डॉक्टर द्वारा दिए गए एक्स-रे के परिणामों का वर्णन करता है। यहां, कंप्यूटर की शक्ति अंततः व्यक्तिगत शब्दों को "मक्खी पर" पहचानने के लिए पर्याप्त हो गई। इसके अलावा, एल्गोरिदम अधिक परिपूर्ण हो गए हैं, बोले गए शब्दों के बीच सूक्ष्म ठहराव की सही पहचान दिखाई दी है।

प्राकृतिक भाषण को पहचानने के लिए पहला सार्वभौमिक इंजन 1997 में कार्यक्रम ड्रैगन नेचुरलीस्पीकिंग था। उसके साथ काम करते समय, उद्घोषक (यानी उपयोगकर्ता) को एक विशिष्ट शब्दावली के साथ प्रशिक्षण या संचालन करने की आवश्यकता नहीं थी, जैसा कि मेडस्पेक के मामले में, कोई भी व्यक्ति, यहां तक कि एक बच्चा भी, स्वाभाविक रूप से काम कर सकता है, प्रोग्राम ने कोई उच्चारण नियम निर्धारित नहीं किया था।

ड्रैगन नेचुरलीस्पीकिंग की विशिष्टता के बावजूद, आईटी ब्राउज़र ने प्राकृतिक भाषण को पहचानने के लिए बहुत उत्साह नहीं दिखाया। कमियों के बीच, मान्यता त्रुटियों और कार्यक्रम को संबोधित आदेशों के गलत प्रसंस्करण को ही नोट किया गया था। स्रोत: itWeek

यह उल्लेखनीय है कि 1980 के दशक में मान्यता इंजन वापस तैयार हो गया था, लेकिन अपर्याप्त कंप्यूटर शक्ति के कारण, ड्रैगन सिस्टम डेवलपमेंट (अब Nuance कम्युनिकेशंस के स्वामित्व में) के पास मक्खी पर शब्दों के बीच रिक्त स्थान निर्धारित करने का समय नहीं था, जो कि प्राकृतिक भाषण को पहचानने के लिए आवश्यक है। इसके बिना, शब्द "इलाज किया जा रहा है", उदाहरण के लिए, कंप्यूटर द्वारा "अपंग" के रूप में सुना जा सकता है।

आगे भाषण पहचान प्रणाली, तंत्रिका नेटवर्क, मोबाइल उपकरणों पर Google आवाज खोज के उद्भव और अंत में, सिरी आवाज सहायक, न केवल भाषण को पाठ में परिवर्तित कर रहा था, बल्कि किसी भी प्राकृतिक तरीके से निर्मित प्रश्नों का पर्याप्त उत्तर दे रहा था।

जो कहा गया था उसे कैसे सुनें और क्या अशोभनीय था यह सोचने के लिए?

आजकल, वाक् पहचान इंजन बनाने के लिए सबसे अच्छा उपकरण आवर्तक तंत्रिका नेटवर्क (RNN) है, जिस पर आवाज, संगीत, चित्र, चेहरे, वस्तु, पाठ को पहचानने के लिए सभी आधुनिक सेवाएं निर्मित हैं। आरएनएन आपको शब्दों को अत्यधिक सटीकता के साथ समझने की अनुमति देता है, साथ ही संदर्भ के संदर्भ में सबसे संभावित शब्द की भविष्यवाणी करता है अगर इसे मान्यता नहीं मिली थी।

मॉडल का तंत्रिका नेटवर्क अस्थायी वर्गीकरण (सीटीसी) रिकॉर्ड किए गए ऑडियो स्ट्रीम (शब्द, वाक्यांश) में अलग-अलग स्वरों का चयन करता है और उन्हें उस क्रम में व्यवस्थित करता है जिसमें उन्हें उच्चारण किया गया था। बार-बार विश्लेषण के बाद, CTC बहुत स्पष्ट रूप से कुछ स्वरों की पहचान करता है, और उनकी पाठ रिकॉर्डिंग की तुलना तंत्रिका नेटवर्क में शब्दों के डेटाबेस से की जाती है और फिर एक मान्यता प्राप्त शब्द में बदल जाती है।

तंत्रिका नेटवर्क को इसलिए कहा जाता है क्योंकि उनके काम का सिद्धांत मानव मस्तिष्क के काम के समान है। तंत्रिका नेटवर्क प्रशिक्षण मानव प्रशिक्षण के समान है। उदाहरण के लिए, कारों को पहचानने और मोटरसाइकिल से अलग पहचानने के लिए एक बहुत छोटे बच्चे के लिए, आपको कम से कम कई बार विभिन्न कारों पर अपना ध्यान आकर्षित करने की आवश्यकता होती है और हर बार संबंधित शब्द का उच्चारण करें: यह बड़ी और लाल है - कार, और यह कार ब्लैक है, लेकिन यह और ये मोटरसाइकिल हैं। कुछ बिंदु पर, बच्चा विभिन्न कारों के लिए पैटर्न और सामान्य संकेतों की खोज करेगा, और सही ढंग से पहचानना सीखेगा कि कार कहां है, जीप, मोटरसाइकिल कहां है, और एटीवी, भले ही इसे पारित करने पर सड़क पर एक विज्ञापन पोस्टर पर उन्हें देखता है। उसी तरह, तंत्रिका नेटवर्क को उदाहरणों के एक आधार के साथ प्रशिक्षित करने की आवश्यकता है - यह प्रत्येक शब्द, पत्र, स्वर के लिए सैकड़ों और हजारों उच्चारण वेरिएंट को "अध्ययन" करने के लिए मजबूर करता है।

भाषण मान्यता के लिए एक आवर्तक तंत्रिका नेटवर्क अच्छा है क्योंकि विभिन्न उच्चारणों के आधार पर लंबे प्रशिक्षण के बाद, यह ध्वनियों को शब्दों से अलग करना और उच्चारण की गुणवत्ता और प्रकृति की परवाह किए बिना उनसे शब्द बनाना सीखेगा। और यहां तक कि शब्द के संदर्भ में उच्च सटीकता के साथ "बाहर सोचो", ऐसे शब्द जिन्हें पृष्ठभूमि शोर या फजी उच्चारण के कारण स्पष्ट रूप से पहचाना नहीं जा सकता था।

लेकिन RNN भविष्यवाणियों के साथ एक बारीकियों है - एक आवर्तक तंत्रिका नेटवर्क केवल पांच शब्दों के निकटतम संदर्भ पर भरोसा करके एक लापता शब्द "सोच" सकता है। इस स्थान के बाहर, विश्लेषण नहीं किया जाएगा। और कभी-कभी वह इतना आवश्यक है! उदाहरण के लिए, मान्यता के लिए, हमने "महान रूसी कवि अलेक्जेंडर सर्जयेविच पुश्किन " वाक्यांश का उच्चारण किया", जिसमें" पुश्किन "(विशेष रूप से इटैलिक) शब्द को इतना अशोभनीय रूप से कहा गया था कि एआई इसे सही से पहचान नहीं सका। लेकिन एक आवर्तक तंत्रिका नेटवर्क, प्रशिक्षण के दौरान प्राप्त अनुभव के आधार पर, यह सुझाव दे सकता है कि "पुश्किन" शब्द सबसे अधिक बार "रूसी", "कवि", "अलेक्जेंडर" और "सर्गेइविच" शब्दों के बगल में पाया जाता है। यह रूसी ग्रंथों में प्रशिक्षित आरएनएन के लिए एक काफी सरल कार्य है, क्योंकि एक बहुत ही विशिष्ट संदर्भ हमें उच्चतम सटीकता के साथ धारणा बनाने की अनुमति देता है।

और यदि संदर्भ अस्पष्ट है? एक और पाठ लें जिसमें एक शब्द को मान्यता नहीं दी जा सकती है: “हमारा सब कुछ, अलेक्जेंडर सर्गेयेविच पुश्किन, दुख के साथ अपने जीवन के प्रमुख में डेंटेस के बाद निधन हो गया। पुश्किन थियेटर फेस्टिवल का नाम कवि के नाम पर रखा गया है। ” यदि आप "पुश्किनस्की" शब्द को हटाते हैं, तो आरएनएन केवल अनुमान नहीं लगा सकता है, प्रस्ताव के संदर्भ के आधार पर, क्योंकि इसमें केवल एक थिएटर उत्सव और एक अज्ञात कवि के नाम के संदर्भ का उल्लेख है - संभावित विकल्पों के टन हैं!

यह वह जगह है जहां 1997 में निर्मित ( एलएसटीएम पर एक विस्तृत लेख ) आवर्तक तंत्रिका नेटवर्क के लिए दीर्घकालिक अल्पकालिक स्मृति (एलएसटीएम) वास्तुकला खेल में आता है ।) यह विशेष रूप से आरएनएन को जोड़ने के लिए विकसित किया गया था ताकि संसाधित होने वाली घटना से संदर्भ रिमोट को ध्यान में रखा जा सके - पिछली समस्याओं को हल करने के परिणाम (यानी, शब्द मान्यता) पूरी मान्यता प्रक्रिया से गुजरते हैं, चाहे कोई भी मोनोलॉग क्यों न हो, और संदेह के प्रत्येक मामले में ध्यान में रखा जाता है। इसके अलावा, हटाने की दूरी वास्तुकला की दक्षता पर लगभग कोई प्रभाव नहीं है। LSTM की मदद से, यदि आवश्यक हो, एक शब्द नेटवर्क कार्य के ढांचे के भीतर उपलब्ध सभी अनुभव को ध्यान में रखेगा: हमारे उदाहरण में, RNN पिछले वाक्य को देखेगा और पाएगा कि पुश्किन और दंत का उल्लेख पहले किया गया था, इसलिए, "कवि के नाम से" सबसे अधिक संभावना उनमें से एक को इंगित करता है। चूंकि दंतेस थिएटर फेस्टिवल के अस्तित्व का कोई सबूत नहीं है,हम पुश्किनस्की के बारे में बात कर रहे हैं (सभी एक अज्ञात शब्द की ध्वनि छाप बहुत समान है) - इस तरह का त्योहार तंत्रिका नेटवर्क के प्रशिक्षण के लिए आधार पर था।

"एक आवाज सहायक का कबूलनामा।" जब एक अच्छी तरह से प्रशिक्षित तंत्रिका नेटवर्क खेलने में आता है, तो एक आवाज सहायक यह पता लगा सकता है कि "हरी चप्पल" के साथ क्या किया जाना चाहिए

भाषण मान्यता दुनिया को बेहतर स्थान कैसे बनाती है?

प्रत्येक मामले में, एप्लिकेशन अलग है - यह गैजेट के साथ किसी को संवाद करने में मदद करता है, और PricewaterhouseCooper s के अनुसार आधे से अधिक स्मार्टफोन उपयोगकर्ता डिवाइसों को वॉयस कमांड देते हैं - वयस्कों (25-49 वर्ष) के बीच, उन लोगों का प्रतिशत जो लगातार इंटरफेस का उपयोग करते हैं, यहां तक कि युवा लोगों (18-25) से अधिक - 59% के मुकाबले 65%। और रूस में कम से कम एक बार, कम से कम 71% आबादी ने सिरी, Google अस्सिटेंट या ऐलिस के साथ संचार किया। 45 मिलियन रूसी लगातार एलिस से यैंडेक्स के साथ संवाद करते हैं, केवल 30% अनुरोधों के लिए Yandex.Maps / Yandex.Navigator लेखांकन के साथ।

भाषण मान्यता वास्तव में किसी को काम करने में मदद करती है - उदाहरण के लिए, जैसा कि हमने ऊपर कहा, डॉक्टरों को: 1996 से चिकित्सा में (जब आईबीएम मेडस्पीक सामने आया), मान्यता का उपयोग अनामिका को रिकॉर्ड करने के लिए किया जाता है और छवियों की जांच करते समय - एक चिकित्सक रिकॉर्डिंग के बिना विचलित किए बिना काम करना जारी रख सकता है। कंप्यूटर या कागज कार्ड। वैसे, चिकित्सा में श्रुतलेख पर काम न केवल पश्चिम में आयोजित किया जाता है - रूस में "स्पीच टेक्नोलॉजीज के लिए केंद्र" से एक Voice2Med कार्यक्रम है।

हमारे अपने सहित अन्य उदाहरण हैं। एक तोशिबा व्यवसाय के आयोजन में विभिन्न स्वास्थ्य स्थितियों वाले लोगों के लिए पूर्ण समावेशन, समान अधिकार और अवसर शामिल हैं, जिनमें सुनवाई हानि वाले कर्मचारी शामिल हैं। हमारे पास यूनिवर्सल डिज़ाइन एडवाइज़र सिस्टम नामक एक कॉर्पोरेट कार्यक्रम है, जिसमें विभिन्न प्रकार के विकलांग लोग तोशिबा उत्पादों के विकास में भाग लेते हैं, जिससे विकलांग लोगों के लिए अपनी सुविधा में सुधार करने के लिए सुझाव देते हैं - अर्थात, हम यह नहीं मानते हैं कि हम कैसे बेहतर कर सकते हैं, लेकिन वास्तविक अनुभव से काम कर सकते हैं। और कर्मचारी समीक्षा

कुछ साल पहले, जापान में तोशिबा मुख्यालय में, हमें एक बहुत ही दिलचस्प काम का सामना करना पड़ा, जिसमें एक नई भाषण मान्यता प्रणाली के विकास की आवश्यकता थी। यूनिवर्सल डिज़ाइन एडवाइज़र सिस्टम के संचालन के दौरान, हमें एक महत्वपूर्ण अंतर्दृष्टि मिली: श्रवण दोष वाले कर्मचारी वास्तविक समय में बैठकों और व्याख्यानों में चर्चा में भाग लेना चाहते हैं, और संसाधित प्रतिलेख पढ़ने के घंटों या दिनों के बाद तक सीमित नहीं होना चाहिए। ऐसे मामलों में स्मार्टफोन के माध्यम से आवाज की पहचान शुरू करना बहुत कमजोर परिणाम देता है, इसलिए तोशिबा के विशेषज्ञों को एक विशेष मान्यता प्रणाली विकसित करना शुरू करना पड़ा। और, ज़ाहिर है, हम तुरंत समस्याओं में भाग गए।

वार्तालाप लिखित भाषण से बहुत भिन्न होता है - हम जिस तरह से हम पत्र लिखते हैं वह नहीं बोलते हैं, और पाठ में अनुवादित एक वास्तविक वार्तालाप बहुत ही मैला और यहां तक कि अपठनीय दिखता है। यही है, भले ही हम सुबह की योजना पर बातचीत को उच्च सटीकता के साथ पाठ में परिवर्तित करते हैं, हम मौखिक परजीवियों, अंतर्विरोधों और विचारशील "आ", "उह" और "एमएमएमएम" के साथ एक प्रमुख हैश प्राप्त करेंगे। पाठ में भावनाओं के अनावश्यक ध्वनियों, शब्दों और अभिव्यक्तियों के प्रतिलेखन से छुटकारा पाने के लिए, हमने कुछ शब्दों के भावनात्मक रंग सहित (उदाहरण के लिए, "हाँ, अच्छी तरह से" कंजूसी की तरह लग सकता है) गंभीर आश्चर्य, और ये शाब्दिक अर्थ के विपरीत हैं)।

यह तोशिबा एआई (बाएं) का उपयोग करके आवाज पहचान के लिए बाह्य उपकरणों के एक सेट के साथ एक लैपटॉप जैसा दिखता है और अंत उपकरणों के लिए परिणामों के साथ एक आवेदन (दाएं)। स्रोत: तोशिबा

LSTM यहाँ काम आया, जिसके बिना मान्यता सटीकता प्राप्त पाठ के लिए प्रयास के बिना पढ़ने और समझने के लिए अपर्याप्त थी। इसके अलावा, LSTM न केवल संदर्भ में शब्दों की अधिक सटीक भविष्यवाणी के लिए उपयोगी था, बल्कि वाक्यों और विशेषणों-परजीवियों के बीच में ठहराव के सही प्रसंस्करण के लिए भी था - इसके लिए हमने तंत्रिका नेटवर्क को ये परजीवी और ठहराव सिखाए जो बोलचाल के लिए स्वाभाविक हैं।

क्या इसका मतलब यह है कि अब तंत्रिका नेटवर्क टेप से अंतरविरोधों को दूर कर सकता है? हां, यह हो सकता है, लेकिन यह जरूरी नहीं है। तथ्य यह है कि श्रवण दोष वाले लोगों को एक और अंतर्दृष्टि प्राप्त होती है, जिसमें स्पीकर के होंठों के आंदोलनों को शामिल किया जाता है। यदि होंठ चलते हैं, लेकिन इन आंदोलनों के अनुरूप पाठ स्क्रीन पर दिखाई नहीं देता है, तो यह महसूस होता है कि मान्यता प्रणाली ने बातचीत का हिस्सा याद किया है। अर्थात्, जो कोई नहीं सुन सकता है, उसके लिए बातचीत के बारे में अधिक से अधिक जानकारी प्राप्त करना महत्वपूर्ण है, जिसमें बेहिसाब रुकावट और मेजोमेटिया शामिल हैं। इसलिए, तोशिबा इंजन इन तत्वों को प्रतिलेख में छोड़ देता है, लेकिन वास्तविक समय में यह अक्षरों की चमक को कम कर देता है, जिससे यह स्पष्ट हो जाता है कि ये पाठ को समझने के लिए वैकल्पिक विवरण हैं।

https://www.toshiba-clip.com/en/detail/7655

यह क्लाइंट डिवाइस पर मक्खी पर मान्यता परिणाम कैसे दिखता है। एकालाप के वे भाग जो अर्थपूर्ण नहीं हैं, वे धूसर रंग के हैं।

अब तोशिबा एआई अंग्रेजी, जापानी और चीनी भाषण के साथ काम करती है, और यहां तक कि मक्खी पर भाषाओं के बीच अनुवाद भी संभव है। फ्लाई पर शॉर्टहैंड के लिए इसका उपयोग करना आवश्यक नहीं है - एआई को आवाज सहायकों के साथ काम करने के लिए अनुकूलित किया जा सकता है, जो अंत में किसी व्यक्ति द्वारा एक आदेश का उच्चारण करने पर अवरोधन, ठहराव और स्टूटर्स का पर्याप्त रूप से अनुभव करना सीखते हैं। मार्च 2019 में, प्रणाली को सफलतापूर्वक जापान में IPSJ राष्ट्रीय कन्वेंशन के लिए उपशीर्षक जोड़ने के लिए उपयोग किया गया था। निकट भविष्य में - तोशिबा एआई का सार्वजनिक सेवा में परिवर्तन और उत्पादन में आवाज की पहचान के कार्यान्वयन के साथ अनुभव।

भाषण मान्यता: एक बहुत ही कम परिचयात्मक पाठ्यक्रम

भाषण मान्यता के इतिहास में महत्वपूर्ण मील के पत्थर

जो कहा गया था उसे कैसे सुनें और क्या अशोभनीय था यह सोचने के लिए?

भाषण मान्यता दुनिया को बेहतर स्थान कैसे बनाती है?

More articles: