Распознавание речи

[Yegorvin]

У меня коммуникатор, на нем с завода стоит распознавалка речи. Работает очень чоень неплохо. Обучения не требует. Я сам офигел когда голосом сказал позвонить петров и оно верно нашло номер в списке контактов и еще голосом спросило "позвонить Петров, Верно?". Так что алгоритмы есть и необязательно они требуют громадных вычислительных ресурсов. Тем более в телефоне скорее всего всё распознавание работает в цифре, нет никаких спец полосовых аналоговых фильтров.

[innovator_king]

а что за коммуникатор?

[Yegorvin]

Да обыкновенный, уже даже немного устаревший Asus 525. Программа называется Voice Commander

[Kabron]

В начале 90х нашей конторе америкосы заказали т.н. Operator Independent Voice Recognition - простую распознавалку цифр(аглицких) для телефонной системы, но диктор независимую.
Когда первый вариант был готов, попробовали на всех сотрудниках фирмы. Результат - обалденный, уже начали прикидывать на что бабки пустим.
Приезжает америкос с переводчиком. Демонстрируем - все ОК, переводчик пробует - ОК.
Пробует америкос... 0%% распознавания. Как гриться, все плакаль.
Америкос очень смеялся.
Забили мы потом на эту тему.

[7Fantomas7]

Программа называется Voice Commander

Туфта еще та. Снес нафиг. Распознает она голос и управляет телефоном не лучше шизоидной бабульки. В тихом помещении команды или имена распознаются еще куда не шло и то с ошибками. На улице дрянь еще та. Это мое мнение, эту тему еще 2 года назад удалил и не вспоминаю. Подобными чудесами страдала Нокия всех кого знаю у кого такое чудо есть либо удалили либо просто не пользуются.
А вообще возьмите любой маломальски професиональный звуковой редактор и надиктуйте раз 20 слово ВАСЯ, а потом надиктуйте слово ВАСЯ в составе предложений прочитаных с интонацией и лишнее обрежте. Просмотрите в звуковом редакторе всех ВАСЬ и выделите обшие участки и удивитесь что их практически не будет. А как в таком случае програма будет отличать ВАСЮ и ВАНЮ, ежик и ершик такие примеры можно приводить безконечно. Именно поэтому с телефоном нужно разговаривать голосом робота Вертера и с той же интонацией, а он вас будет понимать с энтузиазмом пациента дурдома.

[Uragan90]

А если распознавать речь не на прямую тупо сравнивая слова, а например по кофициентам "перестройки" интерпаляционного (сплайнового, линейного) фильтра?

[7Fantomas7]

А если распознавать речь не на прямую тупо сравнивая слова

Давайте для начала отделим мух от котлет.
Мобила не обучается сколько ее не мучай проверено. Я пользовался несколькими видами ПО все это ерунда. Поэтому ее и не обсуждаем.
Когдато давно появилась программа для большого брата помоему ДрагонДиктат. И я с еще одним толковым парнем ее мучал просто так потому что было интересно. Программа обучаемая. Тогда у меня был модный на то время Пень 600. Вобшем взяли мы текст из какойто книжки и начали диктовать.
Да в принципе количество ошибок уменьшалось в зависимости от количества раз надиктованого текста. И даже удалось достигнуть некоторой беглости диктования. Но со сменой тембра и громкости голоса она опять начинала тупить , а потом переставала. Ну я поигрался неделю и надоело. А парень пытался ею пользовать в полный рост и даже вроде как получалось. А через время она у его начала дико тупить, и мы сравнили на сколько она стала больше, папка с программой. Она стала гигантской. Т.е. алгоритм какойто распознавания изначальный есть, а дальше она походу добавляет слова типа учится, слов ВАСЯ может у ее не 20 было, а 200 грубо говоря. Я незнаю какие она там фильтры использовала. Может у ее была какаято база слов а к ним просто привязывались какието реперы обозначаюшие это слово в разных интонациях и разных частотах. Типа то чему она обучалась. Другими словами слово шаблон одно, а результаты обучения это база содержащая только отличительные характеристики. Хрен его знает. Но в любом случае это не для Mega задача.

[pickit2]

у Microchip есть Speech Recognition Library, сделана для dsPIC (16-и битный цифровой сигнальный контроллер), библиотека распознает US English, speaker independent, т.е. не зависимо от говорящего.

http://www.microchip.com/stellent/id...cName=en023596

[overslon]

Природу распознавания не сымитируешь никакими фильтрами и цифровыми алгоритмами. Точка. Можно до посинения наговаривать слова в звуковом редакторе и смотреть спектры и форму волн, пытаясь найти закономерности чтобы переложить в логику алгоритма. Нет и не может быть такого алгоритма! Мозг - не микроконтроллер, и несмотря на то что обучаемые нейронные сети научились моделировать еще в прошлом веке, производительность процессоров выросла на порядки, электронного мозга как не было видно на горизонте, так и не будет (тем не менее распил бабла на исследования в этой области идет постоянно, вопли горе-ученых о том, что у них уже есть практический готовый супер-мега-алгоритм, но не хватает еще чуть-чуть денег на окончательную версию, я слышу уже полтора десятилетия).

Можно говорить лишь о жалких попытках приближения но не более того.
В области OCR прогресс так же застрял.
Казалось бы, чего может быть проще распознавания ГОТОВОГО текста с листа бумаги?
Но нет... попалась буковка непропечатанная или чуток кривая и кирдык.
А где системы распознавания рукописного текста с листа?

А вот как это сделано у природы:

Внутри улитки находится перепончатый канал, также заполненный жидкостью, на нижней стенке которого расположен рецепторный аппарат слухового анализатора, покрытый волосковыми клетками. Волосковые клетки улавливают колебания жидкости, заполняющей канал. Каждая волосковая клетка настроена на определенную звуковую частоту, причем клетки, настроенные на низкие частоты, располагаются в верхней части улитки, а высокие частоты улавливаются клетками нижней части улитки.

Ушная раковина улавливает звуки, усиливает их и направляет в слуховой проход. Энергия звуковой волны вызывает механические колебания барабанной перепонки, которые передаются на подвижную систему косточек среднего уха. Движения стремечка вызывают волнообразные колебания жидкости внутреннего уха, которые улавливаются волосковыми клетками, расположенными вдоль всей длины улитки, и преобразуются в электрические импульсы. Далее эти электрические импульсы передаются по слуховому нерву в головной мозг. Таким образом, функцией внутреннего уха является преобразование механических колебаний в электрические, так как мозг может воспринимать только электрические сигналы.
луховой нерв состоит из тысяч тончайших нервных волокон. Каждое волокно начинается от определенного участка улитки и передает определенную звуковую частоту. Низкочастотные звуки – например, шум машины или поезда, – передаются по волокнам, исходящим из верхушки улитки, а высокочастотные – например, щебет птиц, – по волокнам, связанным с ее основанием. Таким образом, различные звуки вызывают электрическое возбуждение различных волокон в составе слухового нерва. Именно эти различия способен воспринимать и интерпретировать мозг.

Но различать звуки - это еще не все. Надо понимать их смысл. Строение внутреннего уха само по себе способствует выделению значимых звуков из бесполезного шума. Мозг использует свою память и опыт для «осмысления» услышанного прямо в процессе восприятия звука. Так ребенок грудного возраста, используя весь свой небольшой опыт, способен узнавать голоса матери и отца и отличать их друг от друга, еще не понимая произносимых слов.

Ну и каким алгоритмом все это можно описать (тем более засунуть в какой-то коммуникатор)?

[raxp]

целые именитые институты бьются над этим десяток лет, это не уровень ограниченных вычислительных мощностей ...как уже упоминалось для более-менее распознавания используются огромные формантные базы, которые распространяют эти же институты на коммерческой основе ...ближайший вроде как в Питере.