Исследовательская работа на тему: Системы распознавания речи в современном мире
Исследовательская работа
«Системы распознавания речи в современном мире»
Содержание
13LINK \l "введение"14Введение...315
13LINK \l "принципы"14Принципы распознавания речи..315
13LINK \l "программы"14Программы распознавания речи, применяемые за рубежом...915
13LINK \l "отечественные"14Отечественные разработки систем распознавания речи....1615
13LINK \l "вывод"14Вывод..1715
Введение
Системы распознавания речи являются неотъемлемой частью современного общества. За кажущейся несерьезностью диалога с компьютером скрывается не только очень большая работа ученых многих специальностей – лингвистов, логиков, математиков, программистов, но и значимость решаемой задачи. Ведь проблема распознавания речи чрезвычайно серьезная, играет огромную роль в общении человека с машиной: телефонный доступ к автоматическим справочным системам, управление удаленным компьютером или управление портативным устройством осуществляемое во время движения или набор текста под диктовку и т.д.
Речевое, столь привычное, естественное для человека управление объектами открыло бы широкие перспективы перед автоматизацией производства, развернуло бы границы возможностей общения с машинами, особенно пользователей персональных компьютеров, незнающих языков программирования или людей с ограниченными возможностями.
В современном мире насчитывается огромное количество программ распознавания речи: Dragon Naturally Speaking, Intelligent Voice Recognition System, Горыныч, Realize Voice, Voice Studio, Dictation и т.д. И это лишь малая доля программ искусственного интеллекта способные распознавать речь. Но все ли из этих программ способны распознавать речь? Дают ли эти программы 100% гарантии распознавания текста или команд? А каков интерфейс данных программ? Может быстрее набрать текст вручную, чем осуществлять речевой ввод текста? На эти и другие вопросы мы постараемся ответить в нашей исследовательской работе.
Принципы распознавания речи
Теоретически машинное распознавание речи, т.е. ее автома тическое представление в виде текста, является крайней степе нью сжатия речевого сигнала. У каждого звука сложная волновая структура, включающая различные частоты и колебания, к тому же, естественно, одно и то же слово разные люди произносят по своему: различный тембр голоса (звуковая окраска), разные интонации, разная частота произношения. Чтобы машина произнесла, например, на венгерском языке «добрый день» нужно записать в её память 500 различных характеристик.
Исследователи затратили много сил и времени, начиняя компьютер гигантской информацией, даже для того, чтобы распознать отдельные звуки, а тем более чтобы машина научилась понимать человеческий язык, отвечать на вопросы.
Многие научные центры, в том числе и в нашей стране, брались за решение этой проблемы (фундаментальные исследования теории языка, которые велись в 1970-х гг. в СССР, легли в основу многих современных продук тов), но первый серьезный прорыв в области речевых техноло гий удалось сделать только в 1986 г. в Defense Advanced Research Project Agency (DARPA) Агентстве перспективных исследова ний Министерства обороны США.
Рассмотрим принципы распознавания речи. Системы распознавания речи обычно состоят из двух компо нентов, которые могут быть выделены в блоки или в подпрограм мы акустической и лингвистической. Лингвистиче ская часть может включать в себя фонетическую, фоно логическую, морфологическую, синтаксическую и семантическую модели языка. Акустическая модель отвечает за представление речевого сигнала. Лингвистическая модель интерпретирует информацию, получаемую от акустиче ской модели, и отвечает за представление результата распознава ния потребителю.
Существуют два подхода к построению акустической модели: изобретательский и бионический. Оба подхода имеют свои достоинства и недостатки. Первый базиру ется на результатах поиска механизма функционирования аку стической модели. При втором подходе разработчик пытается понять и смоделировать работу естественных систем.
Лингвистический блок подразделя ется на следующие слои (уровни); фонетический, фонологиче ский, морфологический, лексический, синтаксический, семан тический. Все уровни содержат априорную информацию о структуре естественного языка, а, как известно, любая априор ная информация об интересующем предмете увеличивает шансы принятия верного решения. Поскольку естественный язык несет весьма сильно структурированную информацию, для каждого естественного языка может потребоваться своя уникальная лин гвистическая модель (отсюда трудности русификации сложных систем распознавания речи зарубежной разработки).
В соответствии с данной моделью на первом (фонетическом) уровне производится преобразование входного (для лингвисти ческого блока) представления речи в последовательность фонем, как наименьших единиц языка. Считается, что в реальном рече вом сигнале можно обнаружить лишь аллофоны варианты фо нем, зависящие от звукового окружения.
На следующем (фонологическом) уровне накладываются ог раничения на комбинаторику фонем (аллофонов) не все соче тания фонем (аллофонов) встречаются, а те, что встречаются, имеют различную вероятность появления, зависящую еще и от окружения. Для описания этой ситуации используется математи ческий аппарат цепей Маркова.
Далее, на морфологическом уровне оперируют со слогоподобными единицами речи более высокого уровня, чем фонема. Иногда они называются морфемами. Они накладывают ограни чение уже на структуру слова, подчиняясь закономерностям мо делируемого естественного языка.
Лексический уровень охватывает слова и словоформы того или иного естественного языка, т. е. словарь языка, также внося важную априорную информацию о том, какие слова возможны для данного естественного языка. Семантика устанавливает со отношения между объектами действительности и словами, их обозначающими. Она является высшим уровнем языка. При помощи семантических отношений интеллект человека производит как бы сжатие речевого сообщения в систему образов, понятий, представляющих суть речевого сообщения.
Российская компания «ИстраСофт» известна пакетом для обучения английскому языку с визуальным контролем произно шения «Профессор Хиггинс». Развивая «Хиггинса», сотрудники «ИстраСофт» совершили технологический прорыв, значение ко торого трудно переоценить: они научились членить слова на эле ментарные сегменты, соответствующие звукам речи, независимо от диктора и от языка (Существующие системы распознавания речи не производят сегментации, наименьшей единицей для них является слово.) Демонстрация новой технологии выглядит пока не очень эффектно: это всего-навсего упаковка и распаковка звуковых файлов с записью речи правда, с высокими коэффи циентами сжатия. Если файл был сжат сильно, то после распа ковки в нем появляются отчетливо слышные границы между сегментами; использованию программы по прямому назначению они, конечно, мешают, но специалисту позволяют убедиться в правильности разделения.
В основе алгоритма лежит выделение фонем из потока слит ной речи в режиме реального времени, их кодирование и после дующее восстановление, однако у разработчиков нет единого мнения о том, что считать фонемой при машинной обработке речи. Способ, предложенный фирмой «ИстраСофт», допускает сжатие речи в 200 раз, причем при сжатии менее чем в 40 раз ка чество сигнала практически не падает.
Чтобы создать основанную на новой технологии систему распознавания, необходимо «привязать» сегментацию к кон кретному языку с помощью двух словарей «звукового», сопоставляющего реальным звукам речи определенные фонемы, т. е. смыслоразличительные единицы (на слух мы, как правило, вос принимаем именно фонемы родного языка, не замечая различий между их вариантами, обусловленными, например, позицией), и «фонетико-орфографического», который будет переводить фо немную запись в письменную. Принципиально ничего сложного здесь нет: это вполне рутинная, умеренно трудоемкая техниче ская задача.
Интеллектуальная обработка речи на уровне фонем перспек тивна не только как способ сжатия, но и как шаг на пути к соз данию нового поколения систем распознавания речи.
В процессе цифровой обработки речевой сигнал подвергает ся сначала логарифмическому, а затем обратному преобразова нию Фурье, в результате чего отыскивается с десяток первых коэффициентов, несущих наиболее существенную информацию об огибающей спектральной характеристики сигнала. Собственно, современные развитые коммерческие программы распознавания речи и отличаются именно способом реализации механизма вы бора из встроенной (или созданной пользователем) базы данных наиболее вероятного набора фонем (минимально значимых эле ментов, из которых состоит слово).
На первом этапе компьютер записывает звук речи в виде цифровой аудиопоследовательности и делит ее на фрагменты длительностью несколько миллисекунд. Программа сравнивает эти аудио фрагменты с записанными в память речевыми образ цами. Качество базы данных образцов является наиболее важ ным условием для безошибочного распознавания речи. Она со держит фрагменты речи различных людей с разными особенно стями произношения, такими, как снижение звука, диалект, выделение слогов и произношение. Эта часть системы распо знавания речи называется системой, не зависящей от говорящего.
Систему, не зависящую от говорящего, дополняет систе ма распознавания говорящего. В основе последней ле жит понятие фонемы наименьшей акустической единицы языка. В процессе тренировки программное обеспечение распо знает наиболее важные признаки произношения пользователем фонем и записывает полученные данные в виде профиля говоря щего. Очень важно, чтобы в дальнейшем во время диктовки
пользователь по возможности точно выдерживал мелодию речи и произношение.
В системе распознавания говорящего при определении «со мнительных слов» используется тот факт, что после определен ного слова могут следовать (и имеют при этом смысл) лишь не многие конкретные слова. Владельцам мобильных телефонов этот способ знаком по SMS-сообщениям, при наборе которых нужное слово предлагается автоматически.
Таким образом, системы распознавания речи можно классифицировать по нескольким параметрам:
классификация по назначению:
командные системы;
системы диктовки текста.
по потребительским качествам:
диктороориентированные (тренируемые на конкретного диктора);
дикторонезависимые;
распознающие отдельные слова;
распознающие слитную речь.
По механизмам функционирования:
простейшие (корреляционные) детекторы;
экспертные системы с различным способом формирования и обработки базы знаний;
вероятностно-сетевые модели принятия решения, в том числе нейронные сети.
Разумеется, относительно проще реализовать программу, способную распознавать только ограниченный, совсем неболь шой набор управляющих команд и символов. Это, например, могут быть цифры от 0 до 9, слова «да», «нет», односложные ко манды типа «открыть», «закрыть», «выйти» и т. п. Такие про граммы появились первыми и уже давно применяются в компь ютерной телефонии для голосового набора телефонного номера или выбора пункта меню. Если в словарь добавить названия букв алфавита, то, в принципе, по буквам можно продиктовать и любое слово или название например, при заказе билета таким путем можно ввести станцию назначения.
Подобные системы могут похвастаться тем, что распознава ние происходит без предварительной настройки под конкретно го пользователя, т. е. они независимы от диктора (speaking-independent). Применение их для получения автомати ческой справки и генерации запросов к базам данных позволяет компаниям высвободить большое количество сотрудников, обеспечить круглосуточный доступ к информации, причем зачастую появляется возможность дополнительно расширить сферу пре доставляемых услуг.
Помимо этого, системы с распознаванием ограниченного набора слов могут применяться и для голосового управ ления компьютером, а через него и другой техникой. Можно предусмотреть и добавление в базу данных индивидуаль ных макросов пользователя. При ограниченном словаре также легче реализовать систему распознавания слитной речи, характе ризующейся отсутствием специальных пауз между словами.
Точность распознавания, как правило, повышается при предварительной настройке на голос конкретного пользователя, причем этим способом можно добиться распознавания даже то гда, когда говорящий имеет дефект речи или акцент. Все бы хо рошо, но длительное только в том случае, если предполагается индивидуальное применение ПО одним пользователем, в край нем случае небольшой группой пользователей, для каждого из которых создается свой индивидуальный «профиль».
Программы для диктовки текстов (еще одно очевид ное применение функции распознавания речи) первоначально могли понимать только так называемую «раздельную» речь, в которой после каждого произнесенного слова требовалось сде лать небольшую паузу. Такая манера говорить неестественна в процессе обычного человеческого разговора интенсивность звука практически никогда не падает до нуля (в этом можно убедиться, разглядывая спектрограммы).
Распознавать диктовку текстов общей тематики, выполняе мую в манере слитной речи, коммерческие программы научи лись только в 1997 г. Разумеется, что словарь подобных пакетов обслуживает так называемую общую тематику и охватывает лишь небольшую часть всей лексики. Значительная часть поль зователей этим словарем не ограничиваются, и подключает еще специализированные (технические, медицинские, юридические и другие) словари.
Впрочем, на качество распознавания влияет даже манера ве дения разговора непринужденную беседу с относительно не большим количеством используемых лексических единиц запро токолировать гораздо сложнее, чем размеренный диктант. Про блема заключается, в основном, в вариативности и наличии большого количества различных смысловых оттенков у самых простых конструкций. Тяжелее всего распознаются короткие слова, в результате по сравнению с многосложными частота ошибок при их обработке несравненно больше.
Серьезнейшая проблема одно-двухбуквенные слова. За ставить компьютер различать английские «a» и «an» можно, только обращаясь к контексту всей фразы. Расшифровка диктофонных записей, компьютерное стенографирование конфе ренций и обсуждений задача, к решению которой создатели ПО для распознавания речи только приблизились. По заявле ниям разработчиков компаний DragonSystem, IBM и Lernout&Hauspie, компьютер (при непрерывной диктовке) спо собен правильно распознавать до 95 % текста, а меж тем из вестно, что для комфортной работы точность распознавания требуется довести до 99 %.
Работа в зашумленных помещениях также, разумеется, ока зывает самое негативное влияние на качество распознавания. Каждый микрофон имеет свой особый «профиль», поэтому про грамму требуется «обучить» не только работе с конкретным пользователем, но и с конкретным оборудованием. Подключенному к компьютеру диктофону тоже потребуется свой «профиль». Специальные микротелефонные гарнитуры поставляются вместе с известными программами распознавания речи ViaVoiceGold корпорации IBMResearch, NaturallySpeakingPreferred фирмы DragonSystems и VoiceXpress (Lernout&HauspieSpeechProducts).
На работу с диктовочными программами накладываются и дополнительные ограничения. В большинстве случаев трудно обойтись без гарнитуры с микрофоном. Правда, радиомикрофо ны допускают больший радиус действия, однако для контроля результатов пользователь должен видеть экран ПК.
Программы распознавания речи, применяемые за рубежом
Функцию распознавания речи IBM не только встроила в свою операционную систему OS/2 Warp 4, известную под кодо вым названием Merlin (конец 1996 г.), но и выпускает в качестве отдельного продукта. Пакет IBM для распознавания слитной речи ViaVoice отличается своей способностью с самого начала, без обучения, распознавать до 80 % слов. При обучении вероятность правильного распознавания по вышается до 95 %, причем параллельно с настройкой программы на конкретного пользователя происходит освоение будущим оператором навыков работы с системой. Небезынтересно, что, рекламируя этот пакет, IBM утверждает, будто средняя машини стка набивает примерно 80 слов в минуту, а ViaVoice достигает скорости 150 слов в минуту.
Dragon Dictate Naturally Speaking (Ньютон, шт.Массачусетс) первый коммерческий продукт для распознавания слитной речи, вышедший в начале 1997 г. Позво ляет непосредственно диктовать в программы Word, WordPerfect, NetscapeNavigator, InternetExplorer и приложения, причем ему доступен богатый набор управляющих команд. Пользуясь только голосом, можно исправлять и переставлять слова, выделять текст и даже менять размер шрифта и позиционировать курсор с абсо лютной точностью. Первоначальная настройка на конкретный голос пользователя является обязательной, но программа спо собна обучаться и в процессе дальнейшего диктанта; рабочее качество распознавания может быть достигнуто спустя примерно пару недель пользования системой.
L&H Speech Products (Берлингтон, шт.Массачусетс)в 1997 г. приобрела Kurz Weil Applied Intel ligence, основатель которой (Рей Курцвайль) стал в L&H главным техни ческим руководителем. После этого фирма получила инвестиции от Microsoft, а затем выпустила VoiceCommands программу для голосового управления с развитыми возможностями. Не сколько позже эта компания создала и свою систему распознава ния речи VoiceXpressPlus, которая по качеству распознавания незначительно уступает DragonDictateNaturallySpeaking, но зато при работе с офисными программами (например, с Word) реализует более «естественный» интерфейс (можно подавать команды вроде «изменить шрифт последнего предложения на Arial» или «сложить эту колонку цифр»).
Программное обеспечение для распознавания речи фирмы NuanceCommunications использует крупнейшая в Канаде дис контная брокерская контора TorontoDominion, запустив в эксплуатацию службу GreenLineInvestors, позволяющую абонентам получать по телефону информацию о биржевых котировках. Вводятся особые пользовательские «профили», на основе кото рых система определяет, например, следует ли зачитывать дан ному абоненту краткую или подробную информацию.
Программу распознавания речи Natural Dialogue System фирмы Philips Speech Processing (Вена, Австрия) использует первая канадская система автоматиче ских «желтых страниц» (Торонто), предоставляющая информа цию о местных ресторанах и способная по желанию абонента соединить его с выбранным заведением.
Она же используется швейцарской железнодорожной компа нией SwissRailways. Предусмотрена возможность самообучения системы во время эксплуатации. Из запросов, требующих слож ного «восприятия речи» (вроде «Я бы хотел попасть из Женевы в Цюрих через Берн»), выделяются ключевые слова названия станций, предлоги «из», «в», «через» и на основании наиболее правдоподобного варианта строится обращение к базе данных.
Авиакомпания Lufthansa своим потенциальным пассажирам предлагает автоматическое расписание своих рейсов, а радио станция RadioLuxembourg прогноз погоды по туристическим маршрутам всего мира.
Немецкая служба сотовой телефонной GSM-связи Dutch РТТ внедрила систему обработки речи VoiceDialing, разработан ную американской компанией Glenayre, что обеспечивает не
только голосовой набор телефонного номера, но и выполнение необходимых команд и возможность программирования до 40 наиболее часто набираемых телефонных номеров. В результате стало возможным звонить прямо во время движения автомоби ля, не отвлекаясь от управления.
Программы от IBM и Dragon Dictate используются в компактных компьютерах компании Xybernaut. Эти устройства весом всего 795 г исполь зуются, например, американскими таможенниками, несущими службу на границе с Мексикой. Стражи порядка проверяют но мера проезжающих автомобилей, сверяясь с удаленными цен тральными правоохранительными базами. Правда, служащие та можни жалуются на проблемы с распознаванием, возникающие при сильном ветре.
IBM уже давно использует технологию распознавания речи для своих внутренних задач, а сейчас выпускает средства созда ния автоматизированных речевых агентов, способных распозна вать называемые телефонными абонентами имена людей и на звания организаций и соединять их с соответствующими номе рами. Объем каталога имен может достигать 200 тыс. записей.
Фирма LanguageForce на осно ве технологии распознавания речи ViaVoice разработала автома тический переводчик UniversalTranslatorDeluxe, позволяющий устную английскую речь переводить на 33 различных языка, в число которых входят арабский, китайский, японский, корейский, испанский, немецкий и иврит.
Достижения компьютерной обработки речевых сигналов мо гут применяться не только для того, чтобы вести беседы по мо бильному телефону, ряд парламентариев стран Западной Ев ропы добиваются контроля над центром прослушивания Менвич-Хилл Агентства национальной безопасности (АНБ) США, расположенным в Англии, недалеко от Йоркшира. Первоначаль но центр, созданный при поддержке британской разведки MI 5, предназначался для анализа информационного трафика из СССР, но ныне, как следует из отчета технической службы Европарламента, осуществляет перехват всех европейских телефон ных разговоров, факсов и электронной почты. Система распо знавания речи используется для выделения ключевых слов, при наличии которых автоматически включается запись разговора с последующим ее перенаправлением для проверки в американ ское отделение АНБ.
На текущий момент ПО для распознавания речи работает только с английским языком, качественная поддержка русского пока что не достигнута. Однако командовать компьютером можно хоть сейчас, а для того, кто имеет дело с англоязычными тек стами каждый день, подобное программное обеспечение окажется полезным.
Рассмотрим характеристики некоторых образцов программных средств обработки речи.
Dragon Naturally Speaking 7.0 Preferred (разработчик ScanSoft). Программа предлагает пользователю надиктовать компьютеру ряд уже готовых текстов для более тонкой под стройки Dragon Naturally Speaking под тембр, интонацию и произношение. Не меньшее значение имеет и собственный акцент диктора - такой уровень английского, который, например, звучит на разнообразных международных научных конференциях, в принципе, не пригоден для работы. С другой сто роны, всегда есть возможность самообучения: если Dragon никак не хочет распознавать какое-то слово, необходимо заглянуть в Lingvo и произне сти его с учетом правильной транскрипции. Возможны и действия вроде распознавания текстового содержимого wav-файла. Кроме того, DragonNaturallySpeaking умеет запускать различные программы, переключаться между ними и даже управлять рядом их функций (например, начинать/при останавливать воспроизведение музыки в медиа проигрывателе или напрямую работать с меню). В состав версий Preferred и Professional дополни тельно входит собственный речевой драйвер Real-Speech 2, один из наибо лее совершенных на сегодня. Надиктовывать текст можно не только в текст-процессоре Dragon Pad, но и в любом другом аналогичном приложе нии - MSWord, Outlook Express, Internet Explorer и Corel WordPerfect. С та ким же успехом программа работает и с ICQ, сетевым чатом (NetworkAssistant). В более специализированных при ложениях, в частности в том же Word, применяются дополнительные коман ды: форматирование текста, правописание, редактирование - и все исклю чительно за счет устной речи. Можно расширить функциональность Dragon за счет собственных настроек.
Intelligent Voice Recognition System (IVOS) 2.0.2A (разработчикComunX). IVOS позволяет: а) распознавать речь и преобразовывать ее в текст в лю бом Windows-совместимом текст-процессоре; б) управлять своим ПК с по мощью разнообразных голосовых команд, а также создавать свои собст венные; в) озвучивать электронные книги с помощью внешних голосовых движков. Извлечение текста из Wav-файлов, удобная, не отягощающая эк ран панель управления программой и демократичная (по сравнению с тем же Dragon) цена. После регистрации пользователю становится доступна технология VoiceTouch, позволяющая обучать ПК вашим собственным уст ным приказам.
Realize Voice 4.0 (Разработчик Realize Software Corporation). Realize Voice, в отличие от DragonNaturallySpeaking, не очень приспособле на к стенографированию (хотя такая функция в ее арсенале иимеется), зато справляется с голосовыми командами. Глубоких знаний в области англий ского не нужно - благодаря модулю эвристического анализатора програм ма без особых проблем найдет общий язык практически с любым дикто ром. Спектр функций RealizeVoice довольно широк - от запуска исполняе мых файлов и ярлыков программ до работы с корреспонденцией и сложными макросами. Как и в остальных подобных программах, от пользо вателя требуется лишь подключенный микрофон и пара минут для того, чтобы вникнуть в курс дела. А перед тем как приступить к собственно обще нию с утилитой, стоит обозначить ей фронт работ. По умолчанию в эту ка тегорию попадают ярлыки системного меню, Рабочего стола, содержимое папки Избранное и панели быстрого запуска, а также недавно открытые до кументы и программы. Весь процесс полностью автоматизирован и выпол няется буквально мгновенно. Правда, некоторые неудобства вызывает не возможность использования в названии команд цифр. Утилита позволяет объединять под одной командой целую серию операций - начиная от ввода символов с клавиатуры и системных команд до синтеза речи.
Voice Studio 1.4.6 (Разработчик Ultimate Interactive Desktop). Одна из немногих программ, где виртуальный собеседник по ту сторону монитора обрел видимую форму. И хотя технологию MSAgent, которая ис пользуется для данных целей, пока трудно назвать прообразом искусствен ного интеллекта, все предпосылки для этого у нее есть. Анимированный помощник не только наделен некоторой долей самостоятельности, но и умеет отвечать на ряд стандартных фраз (вроде «Hello!», «Howdoyoufeel», «Badcomputer» и т. д.). При желании его словарный и фразеологический запас легко пополнить, а кроме того, задать его действия в зависимости от «на строения». Функциональность VoiceStudio - стенографирование, разнообраз ные голосовые команды (для большего удобства и быстрейшего запоминания их можно распечатать), а также приемлемый машинный син тез речи. Создание макросов для запуска сразу серии операций с помощью одного ключевого слова, даже запись и воспроизведение движений мыши. Это широко используется во многих альтернативных браузерах вроде GreenBrowser или MyIE2 для выполнения ряда действий (переход на другую страницу, открытие нового окна и т. д.). Достаточно произнести соответствующую команду, и компьютер автоматически воссоздаст записанный ра нее скрипт.
Dictation 2004 v.4.5.2399 (Разработчик United J Research Labs). В первую очередь, это технология Point-and-Speak, позволяющая с легко стью создавать команды для ввода паролей, запуска ПО и диктовать прак тически во всех Windows-приложениях. Осуществлена интеграция с MSWord, а также интеллектуальная технология правильного определения фраз. Правда, реализована она неудобно - в виде всплывающего окна, которое появляется при каждом сказанном слове. Dictation 2004 использует SAPI 5.1, так что качество ее принципиально не отличается от другого программного обеспечения, основанного на той же технологии (Voxx, IVOS, RealizeVoice и пр.). Из до полнительных функций стоит отметить WAVRecorder для захвата информа ции с аудиокассет, мобильных устройств, микрофонов и последующей за писи ее в wav-файлы; потом текст из них извлекается с помощью отдельно го апплета Dictation - Wave-to-Text.
Voxx (4.0 РазработчикVoxx Support Team). Возможности программы напоминают IVOS (стенографирование/голосовые команды/чтение текста), за исключением того, что здесь есть полезный бо нус - озвучивание каждого действия, будь то набор текста или открытие файла. Программа использует тот же MicrosoftSpeechAPI, что и IVOS, по этому качество распознавания у нее аналогичное. Наличествует набор голо совых команд для навигации браузером, элементарных операций в тексто вом редакторе (cut/copy/paste и т. д.), а также работы с окнами, имеются ярлыки вызова системных апплетов, открытие/закрытие лотка оптического привода. Что же касается синтеза речи, то он напрямую зависит от соответ ствующих модулей, установленных в системе
В дополнение к программам диктования DragonSystems и IBM предлагают инструменты для разработчиков, желающих усилить мощность своих программ. Dragon предлагает Dragon Dictate, дискретный механизм распознавания языка, а IBM набор инструментов ViaVoiceDeveloperTools.
Dragon предлагает ряд опций для разработчиков, желающих использовать Dragon Dictate.Во-первых, вы можете добавить к Dragon Dictate специальный словарь, используя любое приложение, включая Microsoft Excel или Word. Семейство программ, именуемое DragonPro, содержит Dragon Business, Dragon Extra (журналистика), Dragon Law (юриспруденция), Dragon Med (ме дицина) и Dragon Tech. Если вам нужно что-то еще более специ фическое, вы можете использовать Dragon Speech Tool, чтобы разработать специальный словарь и эталоны произношения.
Вы можете использовать таблицу фонем и средства редакти рования для создания, добавления, изменения слов и их произ ношения, а также их удаления.
DragonXTools поддерживает режимы 16-bit VBX и 32-bit OCX для добавления голосовых параметров к существующим прило жениям.DragonXTools также поддерживает режим текст-речь DgnTTS, что позволит придать голос вашим программам. Руко водство DragonXTools начинается с простого примера на языке VB и показывает, как создавать программы на С, С++, Delphi, Visual Basic и т. п. Руководство содержит большой объем документации по событиям, свойствам и процедурам, необходимым, чтобы разговаривать с Dragon Dictate.
Вместе с DragonXTools пользователь получает также доку ментацию по Dragon Dictate Macro Language Guide&Reference, языку, основанному на BASIC, который разработчики могут ис пользовать, чтобы добавлять команды к Dragon Dictate, DDE и DLL для контроля за работой мыши, звуковых эффектов и т. п.
Aculab. Точность узнавания 97%. Дикторонезависимая система. Система имеет базу данных для многих языков, чтобы учесть все вариации речи, возникающие в зависимости от возраста, голоса, пола и акцента. Собственные алгоритмы обеспечивают распознавание речи независимо от особенностей оборудования (наушников, микрофона) и характеристик канала.
Система поддерживает возможность создания дополнительных словарей, учитывающих особенности произношения и акцентов. Это особенно полезно в тех случаях, когда системой пользуются люди, произношение которых сильно отличается от общепринятого.
Система поддерживает наиболее распространенные языки, такие как британский и американский английский, французский, немецкий, итальянский, североамериканский испанский. Словарь может быть настроен на любой из этих языков, но невозможно одновременно использовать несколько языков в составе одного словаря. Продукт доступен на базе Windows NT/2000, Linux и Sun SPARC Solaris.
Babear SDK Version 3.0. Дикторонезависимая система, не требующая обучения под конкретного пользователя. Адаптация под пользователя происходит во время работы и обеспечивает наилучший результат распознавания. Автоматическая подстройка на голосовую активность позволяет распознавать речь в сильно зашумленной среде, например в салоне автомобиля. Система не определяет слова, не занесенные в словарь. Предусмотрена возможность поиска ключевых слов. Система может быть настроена на работу как с маленьким словарем (изолированное произнесение команд), так и с большим по объему словарем (речь). Система поддерживает следующие языки: британский и американский английский, испанский немецкий, французский, датский, шведский, турецкий, греческий, исландский и арабский. Система работает на базе Windows 98 (SE)/NT 4.0/2000/CE, Mac OS X и Linux.
Loquendo ASR. Дикторонезависимая система, оптимизированная для использования в телефонии. Предусмотрена возможность распознавания отдельных слов и речи, поиска ключевых слов (словарь до 500 слов). Позволяет создавать дружественные пользователю приложения за счет большого объема словаря и гибкости системы. Поддерживает 12 языков, включая наиболее распространенные европейские языки (итальянский, испанский, британский и американский английский, французский, немецкий, греческий, шведский и др.). Система работает на базе MS Windows NT/2000, UNIX и Linux.
LumenVox. Дикторонезависимая система, не требующая обучения, но после адаптации под конкретного пользователя результаты распознавания становятся гораздо лучше: точность распознавания превышает 90%. Не имеет жестких требований к аппаратным ресурсам. Работает на базе Windows NT/2000/XP и Linux.
Nuance. Система оптимизирована для наименьшего потребления памяти и других системных ресурсов. Точность распознавания до 96%, причем остается высокой даже в зашумленном помещении.
Есть возможность самообучения системы и ее подстройки под каждого пользователя. Работает на базе Windows 2000 и Linux.
SPIRIT. Язык может быть любой (словарь составляется под конкретные требования клиента и включает те слова и на том языке, которые клиент указал в требованиях к настройкам системы. В словарь могут быть включены слова из разных языков, то есть, не меняя настроек, система может распознавать слова, например, как на китайском, так и на финском языке, если они были заранее внесены в словарь). Таким образом, эта система может работать с любым языком, тогда как другие системы лишь с определенным их набором. Это автоматическая система распознавания речи, обеспечивающая высокое качество распознавания даже в сильно зашумленной среде. Система может быть легко настроена на работу в одном из двух режимов: распознавание фраз с фиксированным числом команд (произнесение отдельных команд, режим PIN-кода) и распознавание фраз с произвольным числом команд (слитное произнесение команд, «режим связной речи»). Есть возможность поиска ключевых слов. Данное решение работает в условиях аддитивного нестационарного шума. Задержка распознавания 0,2 с.
Отечественные разработки систем распознавания речи
К сожалению, распространенные зарубежные системы рас познавания речи русский язык не поддерживают. Правда, уже упоминавшиеся платы Dialogic в число используемых европей ских и некоторых азиатских языков включают и русский, но их возможностей хватает только на речевой ввод телефонных номе ров и построение простейших голосовых меню. Намерение включить поддержку русского языка в свои продукты неодно кратно выражали многие производители, в том числе и DragonSystems, но дальше этих заявлений дело так и не пошло.
В этих условиях своеобразной сенсацией стал выход в 1997 г. на коммерческий рынок знаменитого «Горыныча» адаптации DragonDictateNaturallySpeaking, проведенной силами малоиз вестной до того российской компании WhiteGroup официаль ного дистрибьютора DragonSystems. Программа оказалась впол не работоспособной, а ее стоимость весьма умеренной.
К сожалению, основой послужила уже устаревшая вторая версия DragonDictate, не поддерживающая распознавание слит ной речи. Кроме того, программа требует длительной «трениров ки» и настройки на конкретного пользователя, очень капризна к оборудованию, более чем чувствительна к интонации и скорости произнесения фраз, возможности ее «обучения» весьма разные для различных голосов. Созданная для распознавания англий ской речи, программа не может учитывать всей специфики рус ского произношения.
По всей видимости, положение на отечественном рынке ПОдля распознавания речи (если вообще можно говорить о тако вом) напоминает недавнюю ситуацию с оптическим распознава нием текста. Только специализированные отечественные про дукты, изначально ориентированные именно на русский язык, смогут по-настоящему решить ту задачу, что не по силам ни«Горынычу», ни «Комбату» (еще один продукт той же фирмы WhiteGroup).
Не случайно лидеры отечественного рынка программ OCR, которыми являются ABBYY (BITSoftware) и CognitiveTechnologies, заявили о ведущихся ими в области распознавания русской речи разработках. ABBYY работает над проектом NLC, связанным с естественно-языковой обработкой распознаваемых текстов. Пока же технология распознавания речи российскими разработчиками применяется в основном в интерактивных обу чающих системах и играх вроде «Мой говорящий словарь», «TalktoМе» или «Профессор Хиггинс», а целью их использования являются контроль произношения у изучающих английский язык и аутентификация пользователя. Еще одно остроумное примене ние технологии распознавания речи позволяет весьма ощу тимо сжимать файлы с диктофонными записями или послания ми звуковой почты.
Вывод
Важная задача, которая стоит перед создателями речевых технологий, выработка единого стандарта на API-интерфейс (ApplicationsProgrammingInterface), который должен связывать приложения и обеспечивать своевременную передачу управляю щих функций. Такой стандарт должен не только позволять стро ить приложения на базе какой-либо распространенной операционной системы, имеющей соответствующие встроенные функ ции (первой такой ОС стала OS/2 Warp), но и обеспечивать переносимость систем распознавания речи на другие ОС. Дополнительно нерешенными задачами остаются: отсутствие больших объемов словарей разных языков, недостаток шаблонов непрерывной речи и нехватка вариаций акцентов и произношения.
Программное обеспечение для распознавания слитной речи, как правило, не только снабжается собственными текстовыми редакторами, но и спо собно встраиваться в популярные программы, среди которых MSWord, Excel, LotusSmartSuiteMillenniumEdition (LotusDevelopment) и WordPerfectSuite (Corel).
С другой стороны, производители офисных программ стали включать в состав своего ПО системы распознавания речи, как правило, от IBM (SmartSuite), DragonDictate (WordPerfectSuite) или Lernout&Hauspie.
Современные программы распознавания речи для ПК позво ляют диктовать в обычной разговорной манере. Так называемая дискретная надиктовка с частыми остановками и паузами междусловами осталась в прошлом. Однако непрерывный процесс рас познавания речи, дающий точность до 95 % в оптимальных ус ловиях, все-таки дает пять неправильных букв на 100 знаков. Около 200 ошибок на странице формата А4 слишком много для профессиональной работы и лишь некоторые программы распознавания речи достигают точности 97% (Aculab).
Несмотря на все достижения последних лет, средства для распознавания слитной речи все же допускают большое количе ство ошибок, нуждаются в длительной настройке, требовательны к аппаратной части и к квалификации пользователя и отказыва ются работать в зашумленных помещениях (а это важно как для шумных офисов, так и для мобильных систем и эксплуатации в условиях телефонной связи).
Известно, что спонтанная речь произносится со средней скоростью 2,5 слов в секунду, профессиональная машинопись 2 слова в секунду, непрофессиональная 0,4.
Таким образом, на первый взгляд, речевой ввод имеет значи тельное превосходство по производительности. Однако оценка средней скорости диктовки в реальных условиях снижается до 0,5 слова в секунду в связи с необходимостью четкого произне сения слов при речевом вводе и достаточно высоким процентом ошибок распознавания, нуждающихся в корректировке.
Речевой интерфейс естественен для человека и обеспечивает дополнительное удобство при наборе текстов. Однако даже про фессионального диктора может не обрадовать перспектива в течение нескольких часов диктовать малопонятливому и немому компьютеру. Кроме того, имеющийся опыт эксплуатации подоб ных систем свидетельствует о высокой вероятности заболевания голосовых связок операторов, что связано с неизбежной при диктовке компьютеру монотонностью речи.
Часто к достоинствам речевого ввода текста относят отсутст вие необходимости в предварительном обучении. Однако одно из самых слабых мест современных систем распознавания речи, чувствительность к четкости произношения, приводит к поте ре этого, казалось бы, очевидного преимущества. Печатать на клавиатуре оператор учится в среднем 12 месяца. Постановка правильного произношения может занять несколько лет. Кроме того, дополнительное напряжение, следствие сознательных и подсознательных усилий по достижению более высокой распо знаваемости, совсем не способствует сохранению нормального режима работы речевого аппарата оператора и значительно уве личивает риск появления специфических заболеваний.
Существует и еще одно неприятное ограничение примени мости оператор, взаимодействующий с компьютером через речевой интерфейс, вынужден работать взвукоизолированном отдельном помещении либо пользоваться звукоизолирующим шлемом. Иначе он будет мешать работе своих соседей по офи су, которые, в свою очередь, создавая дополнительный шумо вой фон, будут значительно затруднять работу речевого распо знавателя.
Таким образом, речевой интерфейс вступает в явное проти воречие с современной организационной структурой предпри ятий, ориентированных на коллективный труд. Ситуация не сколько смягчается с развитием удаленных форм трудовой дея тельности, однако еще достаточно долго самая естественная для человека производительная и потенциально массовая форма пользовательского интерфейса обречена на узкий круг приме нения. Ограничения применимости систем распознавания речи в рамках наиболее популярных традиционных приложений за ставляют сделать вывод о необходимости поиска потенциально перспективных для внедрения речевого интерфейса приложе ний за пределами традиционной офисной сферы, что подтвер ждается коммерческими успехами узкоспециализированных ре чевых систем.
Парадоксально, но самый успешный на сегодня проект коммерческого применения распознавания речи телефонная сеть фирмы АТТ. Клиент может запросить одну из пяти катего рий услуг, используя любые слова. Он говорит до тех пор, пока в его высказывании встретится одно из пяти ключевых слов. Эта система в настоящее время обслуживает около миллиарда звонков в год.
15