Podatkovni vi

1
Podatkovni višemedijski prijenos i racunalne
mrežeSpeech Recognition
Sveucilište u Zagrebu Fakultet Elektrotehnike i
racunarstva Zavod za elektronicke sustave i
obradbu informacija

• Joško Rogulj
• Joško Rokov
• Nino Talian
• Sijecanj 2006.

2
Sadržaj

• Uvod
• Princip rada
• Primjene
• Komercijalni sustavi
• Besplatni sustavi
• Usporedba
• Zakljucak
• Literatura

3
Uvod

• Prepoznavanje govora je proces kojim racunalo
  identificira izgovorene rijeci
• Velik broj rješenja s tehnologijom raspoznavanja
  govora
• Kompleksnost problema

4
Princip rada

• Koraci sustava za raspoznavanje
• Snimanje govora i detekcija iskaza
• Predfiltriranje
• Uokviravanje
• Filtriranje (opcionalan korak)
• Usporedba
• Djelovanje

5
Princip rada

• Podjela s obzirom na tipove iskaza koji se mogu
  detektirati
• Izolirane rijeci
• Povezane rijeci
• Kontinuirani govor
• Spontani govor
• Provjeravanje/identifikacija govora

6
Primjene

• Diktiranje
• Naredbe/kontrola
• Telefonija
• Prijenosni uredaji
• Medicinske svrhe
• Ugradeni (embedded) sustavi

7
Komercijalni sustavi

•  Dragon Naturally speaking (Nuance) --
  http//www.nuance.com/
•  IBM ViaVoice -- http//www.scansoft.co.uk/viavoic
  e/
•  SpeakToText (CoolSoft) -- http//www.coolsoftllc.
  com
•  VR Commander (Interactive Voice Technologies) --
  http//www.vrcommander.com/
•  Audiomatic (Wise Riddles Software) --
  http//www.wiseriddles.com/Audiomatic
•  e-Speaking (e-speaking) -- http//www.e-speaking.
  com/
•  Realize Voice Lite (Realize Software) --
  http//www.realizesoftware.com
•  Voice Studio (Ultimate Interactive Desktops) --
  http//www.voicestudio.us
•  Abbot (Softsound) -- http//www.softsound.com
•  Dictation Buddy (High Criteria) --
  http//www.highcriteria.com
•  MacSpeech iListen -- http//www.macspeech.com/
• ...

8
Dragon NaturallySpeaking 8

• Radi iskljucivo pod Windowsima
• Najveca tocnost (gt98)
• Izabir razlicitih vokabulara (opci,
  medicinski,...)
• Najlakša instalacija, podešavanje i korištenje
• Diktiranje teksta u bilo koji tekst editor
• Ugradena NBS tehnologija za zanemarivanje zvukova
  koji nisu rijeci
• Posebni nacini rada za slovkanje, numeriranje,
  zadavanje naredbi i diktiranje
• Mnoštvo ugradenih glasovnih naredbi (mogucnost
  nadogradnje)
• Automatsko umetanje interpunkcijskih znakova
• Korištenje profila više korisnika na istom
  racunalu
• Cijena od 200 500 (ovisno o paketu)

9
IBM ViaVoice 10

• Namijenjen za Windows OS, Mac OS i Linux
• Visoka tocnost (gt96)
• Vokabular od 300 000 rijeci
• Mogucnost odabira US English i UK English
• Diktiranje teksta u bilo koji tekst editor
• Vodi racuna o kontekstu teksta
• Prepoznaje i filtrira nepoželjne zvukove
• Upravljanje i kontroliranje aplikacija govorom
• Cijena 30 50 (ovisno o paketu)

10
Besplatni (OpenSource) sustavi

•  Xvoice -- http//xvoice.sourceforge.net/
• Open Mind Speech -- http//freespeach.sourceforge.
  net/
• CMU Sphinx -- http//cmusphinx.org
• NICO toolkit -- http//nico.sourceforge.net/
• GVoice -- http//www.cse.ogi.edu/omega/gnome/gvoi
  ce/
• CVoiceControl -- http//www.kiecza.de/daniel/linux
  /index.html
• ...

11
Usporedba
Program Platforma Cijena Specificnosti
Dragon Naturally Speaking 8 Windows only 200-500 (ovisno o verziji) -automatska interpunkcija -Smart formatting i naredbe -Makro podrška -... i sve ostalo što drugi paketi imaju ali NAJVECA cijena
IBM ViaVoice 10 Windows Mac Linux 30-50 -ima manju funkcionalnost od Dragon-a -podrška za sve sustave -konkurira NIŽOM cijenom
XVoice Linux Besplatan -jednostavan za korištenje -nadogradiv -mala funkcionalnost i tocnost -BESPLATAN JE!
12
Zakljucak

• Ocekivanja
• Veci broj komercijalnih proizvoda
• Niže cijene postojecih rješenja
• Razvoj boljih algoritama
• Veci broj OpenSource rješenja
• Nove primjene

13
Literatura

• http//www.tldp.org/HOWTO/Speech-Recognition-HOWTO
  /
• http//www.nuance.com/naturallyspeaking
• http//www.scansoft.co.uk/viavoice/
• http//sourceforge.net
• ...