Главная » Каталог    
рефераты Разделы рефераты
рефераты
рефератыГлавная

рефератыБиология

рефератыБухгалтерский учет и аудит

рефератыВоенная кафедра

рефератыГеография

рефератыГеология

рефератыГрафология

рефератыДеньги и кредит

рефератыЕстествознание

рефератыЗоология

рефератыИнвестиции

рефератыИностранные языки

рефератыИскусство

рефератыИстория

рефератыКартография

рефератыКомпьютерные сети

рефератыКомпьютеры ЭВМ

рефератыКосметология

рефератыКультурология

рефератыЛитература

рефератыМаркетинг

рефератыМатематика

рефератыМашиностроение

рефератыМедицина

рефератыМенеджмент

рефератыМузыка

рефератыНаука и техника

рефератыПедагогика

рефератыПраво

рефератыПромышленность производство

рефератыРадиоэлектроника

рефератыРеклама

рефератыРефераты по геологии

рефератыМедицинские наукам

рефератыУправление

рефератыФизика

рефератыФилософия

рефератыФинансы

рефератыФотография

рефератыХимия

рефератыЭкономика

рефераты
рефераты Информация рефераты
рефераты
рефераты

Речевые технологии


Перспективы
речевого интерфейса
Писать о речевом интерфейсе сложно. С
одной стороны, тема абсолютно не нова, с другой- активное развитие и применение
этой технологии только начина­ется (в который раз). С одной стороны, успели
сформировать­ся устойчивые стереотипы и пре­дубеждения, с другой - несмот­ря на
почти полвека настойчивых усилий не нашли разрешения вопросы, стояв­шие еще
перед родоначальниками речевого ввода. Как бы то
ни было, продолжат­ся поиски такого интерфейса, ко­торый устроил бы всех.
Собственно говоря, это как раз то, к чему человечество всегда стремилось в
общении с компьютером.
Исследователи недалеко про­двинулись
за прошедшие десятки лет, что заставляет некоторых спе­циалистов крайне
скептически от­носиться к самой возможности реализации речевого интерфейса в
ближайшем будущем. Другие считают, что задача уже практи­чески решена. Впрочем,
все зави­сит от того, что следует считать решением этой задачи.
Построение речевого интер­фейса
распадается на три состав­ляющие.
I.
Первая задача состоит в том, чтобы компьютер мог
«понять» то, что ему говорит человек, то есть он доложен уметь извлекать из
речи человека полезную ин­формацию. Пока что, на нынеш­нем этапе, эта задача
сводится к тому, чтобы извлечь из речи смысловую ее часть, текст (пони­мание
таких составляющих, как скажем, интонация, пока вообще не рассматривается). То
есть эта задача сводится к замене клави­атуры микрофоном.
II.
 Вторая задача
состоит в том, чтобы компьютер воспринял смысл сказанного. Пока речевое
сообщение состоит из некоего стандартного набора понятных компьютеру команд
(скажем, дуб­лирующих пункты меню), ничего сложного в ее реализации нет. Однако
вряд ли такой подход бу­дет удобнее, чем ввод этих же ко­манд с клавиатуры или
при помо­щи мыши. Пожалуй, даже удоб­нее просто щелкнуть мышкой по иконке
приложения, чем четко выговаривать (к тому же мешая окружающим); «Старт!
Главное меню! Бери!» В идеале компьютер должен четко «осмысливать» ес­тественную
речь человека и пони­мать, что, к примеру, слова «Хва­тит!» и «Кончай работу!»
означа­ют в одной ситуации разные по­нятия, а в другой - одно и то же.
III.
 Третья задача
состоит в том, чтобы компьютер мог преобразо­вать информацию, с которой он
оперирует, в речевое сообщение, понятное человеку.
Так вот, из этих трех задач
достаточно ясное и окончатель­ное решение существует только для третьей. По
сути, синтез речи - это чисто математическая за­дача,
которая в настоящее время решена на довольно хорошем уровне. И в ближайшее
время, скорее всего, будет совершен­ствоваться только ее техническая
реализация.
Препятствием
для  окончательного решения первой задачи слу­жит то, что никто до сих
пор тол­ком не знает, каким образом мож­но расчленить нашу речь, чтобы извлечь
из нее те составляющие, в которых содержится смысл. В том звуковом потоке, который
мы выдаем при разговоре, нельзя различить ни отдельных букв, ни слогов , об
этом более подробно я Вам расскажу позже .. Во всяком случае, после
предварительной тренировки современные системы
распознавания речи работают довольно сносно и делают оши­бок не больше, чем
делали оптические системы распознавания пе­чатных символов
лет пять-семь назад.
Что касается второй задачи, то
она, по мнению большинства спе­циалистов, не может быть решена без помощи
систем искусственно­го интеллекта. Последние, как из­вестно, пока не созданы,
хотя боль­шие надежды возлагаются на по­явление так называемых кванто­вых. Если же подобные устройства появятся, это будет оз­начать
качественный переворот в вычислительных технологиях, и тогда, как знать, может быть , мно­гие теперешние подходы к рече­вому
интерфейсу вообще окажут­ся ненужными.
Поэтому пока удел речевого
интерфейса - всего лишь дубли­рование голосом команд, кото­рые могут быть
введены с клави­атуры или при помощи мыши. А здесь его преимущества весьма  сомнительны. Впрочем, есть одна область,
которая для многих может ока­заться очень привлекательной. Это речевой ввод
текстов в компью­тер. Действительно, чем стучать по клавиатуре, гораздо удобнее
продиктовать все компьютеру, чтобы он записал услышанное в
текстовый файл. Здесь вовсе не требуется, чтобы компьютер «ос­мысливал»
услышанное, а задача перевода речи в текст более или менее решена. Недаром
большин­ство выпускаемых ныне программ «речевого интерфейса» ориенти­рованы
именно на ввод речи.
Хотя и здесь есть место для
скепсиса. Если читать вслух, четко выговаривая слова, с паузами,
монотонно, как это требуется для системы распознавания
речи, то на машинописную страничку у меня уйдет пять минут. Печатаю на
клавиатуре я с той же скоростью. Но сочиняю, при наличии вдох­новения, раза в
два-три медлен­нее, а без оного - медленнее раз в пять,
так что скорость «ввода» и при диктовке  и при работе на кла­виатуре
у меня абсолютно одинакова. Но вот сочинять и одновременно выговаривать сочиняемое с четкой  артикуляцией , хоть убей, те не смогу.
  Первый - и, пожалуй, основ­ной - вопрос касается области
применения. Поиск приложений, где распознавание речи могло бы
продемонстрировать все свои достоинства, вопреки устоявше­муся мнению, является
задачей далеко не тривиальной. Сложив­шаяся практика применения ком­пьютеров
вовсе не способствует широкому внедрению речевого интерфейса.
Для подачи команд, связан­ных
с позиционированием в про­странстве, человек всегда поль­зовался и будет
пользоваться жес­тами, то есть системой «руки- глаза». На этом принципе
построен современный графический ин­терфейс. Перспектива замены клавиатуры и
мыши блоком рас­познавания речи абсолютно от­падает. При этом выигрыш от воз­ложения
на него части функций управления настолько мал, что не смог предоставить
достаточных оснований даже для пробного внедрения в массовых компьюте­рах на
протяжении уже более три­дцати лет. Именно таким сроком оценивается
существование ком­мерчески применимых систем распознавания речи.
 Для иллюстрации своих аргументов возможно, несколько спор­ных
утверждений рассмотрю перспективу и основные пробле­мы применения систем
речевого ввода текстов, особенно активно продвигаемых в последнее время.
Для сравнения: 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 значительное превосходство по
производительности. Однако оценка средней скорости диктов­ки в реальных
условиях снижается до 0,5-0,8 слова в секунду в связи с необходимостью четкого
произ­несения 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 профессиональ­ного диктора может не обрадовать перспектива в
течение нескольких часов диктовать малопонятливому и немому (к
этому я еще вернусь) ком­пьютеру. Кроме того, имеющийся опыт эксплуатации
подобных 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 отсутствие не­обходимости в предварительном обучении.
Однако одно из самых слабых мест современных систем распознавания речи- чувстви­тельность
к четкости произноше­ния- приводит к потере этого, казалось бы, очевидного
преиму­щества. Печатать на клавиатуре оператор учится в
среднем 1-2 месяца. Постановка правильного произно­шения может занять несколько
лет.
Существует и еще одно непри­ятное
ограничение применимо­сти, сознательно не упоминаемое, на мой взгляд,
создателями сис­тем речевого ввода. Оператор, взаимодействующий с компьютером через речевой интерфейс, вынужден работать в
звука изолированном отдельном помещении либо пользоваться
звукоизоли­рующим шлемом. Иначе он будет мешать работе своих соседей по офису,
которые, в свою очередь, создавая дополнительный шумо­вой фон, будут
значительно за­труднять работу речевого распо­знавателя. Таким образом, рече­вой
интерфейс вступает в явное противоречие с современной ор­ганизационной
структурой пред­приятий, ориентированных на коллективный труд. Ситуация не­сколько
смягчается с развитием удаленных форм трудовой дея­тельности, однако еще
достаточ­но долго самая естественная для человека производительная и по­тенциально
массовая форма поль­зовательского интерфейса обре­чена на узкий круг
применения.
Ограничения применимости
систем распознавания речи в рам­ках наиболее популярных тради­ционных
приложений заставляют сделать вывод о необходимости поиска потенциально
перспектив­ных для внедрения речевого ин­терфейса приложений за преде­лами
традиционной офисной сфе­ры, что подтверждается коммер­ческими успехами
узкоспециали­зированных речевых систем. Са­мый успешный на сегодня проект
коммерческого применения рас­познавания речи - телефонная сеть фирмы АТ&Т. Клиент может запросить одну из пяти категорий
услуг, используя любые слова. Он говорит до тех пор, пока в его высказывании не
встретится одно из пяти ключевых слов. Эта систе­ма в настоящее время обслужива­ет
около миллиарда звонков в год.
Несмотря на то, что одним из
наиболее перспективных направ­лений для внедрений систем рас­познавания речи
может стать сфе­ра компьютерных игр, узкоспециа­лизированных реабилитационных
программ для инвалидов, телефонных и информационных
сис­тем, ведущие разработчики рече­вого распознавания наращивают усилия по
достижению универса­лизации и увеличения объемов словаря даже в ущерб
сокращению процедуры предварительной на­стройки на диктора.
Даже Билл Гейтс,
являющий со­бой в некотором смысле идеал праг­матизма, оказался не свободен
от исторически сложившихся стерео­типов. Начав в 95-96 году с разра­ботки
собственной универсальной системы распознавания речи, он, окрыленный первыми и,
пожалуй, сомнительными успехами, в 97-м провозгласил
очередную эру по­всеместного внедрения речевого ин­терфейса. Средства речевого
ввода планируется включить в стандарт­ную поставку новой версии Windows NT- чисто офисной операционной системы. При этом руко­водитель Microsoft упорно повто­ряет фразу о том,
что скоро можно будет забыть о клавиатуре и мыши. Вероятно, он планирует
продавать вместе с коробкой Windows
NT аку­стические шлемы вроде тех, кото­рые используют военные летчики и
пилоты «Формулы 1». Кроме того, неужели в ближайшем бу­дущем прекратится выпуск Word,
Ехсеl и т. д. ? Управлять
графическими объектами экрана голосом, не имея
возможности помочь руками, бо­лее чем затруднительно.
Будущее
речевого интерфейса в не меньшей степени зависит от умения современных
исследова­телей и разработчиков не только создать технологическую основу
речевого ввода, но и гармонично слить технологические находки в единую
логически завершенную систему взаимодействия «чело­век-компьютер». Основная ра­бота
еще впереди.
Базовая
технология
Не следует путать
термины «понимание» и распознавание» речи. В то время как второй
непосредственно относится к техноло­гии
преобразования акустических речевых сигналов в последова­тельность символов
машинной кодировки, например ASCII. первый подразумевает анализ более высоких
уровней (прагматический, семантический и т. д.)
и формирование на его основе представле­ния о смысловом содержании
высказывания. Дальнейшее разграничение задан укрепилось благодаря коммерческому
успеху узкоспециализированных систем, ни в малейшей степени не нуждающихся,
напри­мер, в модуле анализа контекста высказывания.
Традиционно процесс
распознавания речи подразделяется на несколько этапов. На первом - производится
дискретизация непрерывного речевого сигнала. преобразованного в электрическую
форму  Обычно частота
дискретизации составляет 10-11 кГц. разрядность- 8 бит, что считается
оптимальным для работы со словарями небольшого объема (10-1000 слов) и
соответствует качеству передачи речи телефонного канала (ЗГц-
3.4кГц). понятно что увеличение объема активного словаря должно со­провождаться
повышением частоты оцифровки н в некоторых случаях - поднятием разрядности.
На втором этапе
дискретный речевой сигнал подвергается очистке от шумов и преобразуется в более
компактную форму. Сжатие производится посредством вычисления через каждые 10 мс
некоторого набора числовых параметров (обычно не более  16) с минимальными потерями информации, описывающей
данный речевой сигнал. Состав набора зависит от особенностей  реализации системы. Начиная с 70-х годов
наиболее популярным методом (практически стандартом) построения сжатого
параметрического описания стало линейно-предиктивное кодирование (ЛПК), в
основе которого лежит достаточно совершенная 
линейная модель голосового тракта. На втором месте по популярности
находится, вероятно, спектральное описание, полученное с  помощью дискретного преобразования Фурье.
Очень хорошие
результаты, однако, могут быть достигнуты и при использовании других методов,
часто менее требовательных к вычислительным ресурсам, например клипирования. В
этом случае регистрируется количество изменений знака амплитуды речевого
сигнала и временные интервалы между ними. Получаемая в резуль­тате
последовательность значений, представляющих собой оценку длительностей периодов
сохранения знака амплитудой, несмотря на кажущуюся примитивность метода,
достаточно полно представляет различия между произносимыми звуками. На таком
методе предоб­работки основана, в частности, система распознавания речи, разра­ботанная
в конце 80-х в НИИ счетного машиностроения (Москва).
Временной (10 мс)
интервал вычисления был определен и обос­нован экспериментально еще на заре
развития технологии авто­матического распознавания речи. На этом интервале
дискретный случайный процесс, представляющий оцифрованный речевой сиг­нал
считается стационарным, то есть на таком временном интер­вале параметры
голосового тракта значительно не изменяются.
Следующий этап- распознавание. Хранимые в
памяти компь­ютера эталоны произношения по очереди сравниваются с текущим
участком последовательности десяти миллисекундных векторов, описывающих входной
речевой сигнал. В зависимости от степени совпадения выбирается лучший вариант и
формируется гипотеза о содержании высказывания. Здесь мы сталкиваемся с очень
суще­ственной проблемой - необходимостью нормализации сигнала по времени. Темп
речи, длительность произношения отдельных слов и звуков даже для одного диктора
варьируется в очень широких пределах. Таким образом, возможны значительные
расхождения между отдельными участками хранимого эталона и теоретически
совпадающим с ним входным сигналом за счет их временного рассогласования.
Достаточно эффективно решать данную пробле­му позволяет разработанный в 70-х годах алгоритм динамического программирования и его
разновидности (алгоритм Витерби). Осо­бенностью таких алгоритмов является
возможность динамического сжатия и растяжения сигнала по временной оси
непосредственно в процессе сравнения с эталоном. С начала 80-х все более широкое
применение находят марковские модели, позволяющие на основе многоуровневого
вероятностного подхода к описанию сигнала производить временную нормализацию и
прогнозирование продолжений , что ускоряет процесс перебора эталонов и повышает
надежность распознавания.
Что такое распознавание речи?
 На первый взгляд, все очень просто: вы произносите фразу, на
которую техническая система реагирует адекватно .На самом
деле за столь простой идеей кроются огромные сложно­сти.
Почему же между постановкой
задачи и ее решением лежит дис­танция огромного размера? Рас­познавание речи -
молодая, раз­вивающаяся технология. Ее очер­тания пока зыбки и изменчивы.
Поэтому в статье пока больше во­просов, чем ответов. Я попытаюсь немного
рассказать о технологиях распознавания речи, и, надеюсь, вам будет интересно.
Немного о терминах
Начнем с главного термина. Что
есть речь?
Говоря о речи, мы должны раз­личать
такие понятия, как «речь», «звуковая речь», «звуковой сиг­нал», «сообщение»,
«текст».
   В нашем случае, в приложении к задаче
распознавания такие поня­тия, как «речь» и «звуковая речь» означают одно и то
же - некое генерируемое человеком звуковое сообщение, которое может быть
объективно зарегистрировано, измерено, сохранено,
обработано и, что важно, воспроизведено при по­мощи приборов и алгоритмов. То
есть речь может быть представлена в виде некоего речевого сигнала, который в
свою очередь может ис­пользоваться для обратного вос­произведения речи. То есть
можно поставить знак эквивалентности ме­жду звуковой речью
и ее представ­лением в виде речевого сигнала.
При этом под понятием «сообщение» может скрываться любая по­лезная для получателя информа­ция, а
не только текст. Например, если интересоваться не словами а интонациями, то
сообщением будут просодические нюансы речи. Что же
касается распознавания речи, то в нашем случае задача сводится к извлечению из
речи текста.
Но здесь мы сталкиваемся с од­ним
противоречием. Текст, как из­вестно, состоит из букв, слов, пред­ложений, - то
есть он дискретен. Речь же в нормальных условиях звучит слитно. Человеческая
речь, в отличие от текста, вовсе не состоит из букв. Если мы запишем на магнитофонную ленту или на диск ком­пьютера
звучание каждой отдель­ной буквы, а потом попробуем ском­поновать из этих
звуков речь, у нас ничего не получится.
Люди уже довольно давно дога­дались
о том, что элементарные звуки, из которых состоит речь, не эквивалентны буквам.
Поэтому  придумали
понятие фонемы для обозначения элементарных звуков речи. Хотя до сих пор
специалисты никак не могут решить - сколько же всего различных фонем суще­ствует.
Есть даже такой раздел лин­гвистики - фонетика. Большинство авторов даже для
одного и того же языко­вого диалекта приводят разное ко­личество фонем. В
русском языке  по одним данным 43
фонемы, по другим - 64, по третьим - более сотни... Но так уж повелось, что
есть миф о незыблемости понятия фонемы. И о том, что речевой сиг­нал состоит
непосредственно из ку­сочков сигнала, каждый из которых является фонемой. К
сожалению, все далеко не так просто.
Поначалу ученые рассматрива­ли
речевой сигнал как набор неких универсалий, расположенных друг
за другом на временной оси, и считали этими универсалиями фо­немы. Однако
дальнейшие иссле­дования речевых сигналов ника­ких фонем не обнаружили.
Тогда одни исследователи спра­ведливо
решили, что при генера­ции речевых сигналов наблюдает­ся коартикуляция,
то есть взаимо­проникновение соседних звуков (мышцы лица, язык и челюсти об­ладают
разной инерцией). Значит, речевой сигнал должен состоять не из фонем, а из
аллофонов - комбинаций «слипшихся» фонем.
Другие исследователи, подобно
физикам, атаковали идею элемен­тарности фонем и стали утвер­ждать, что фонемы
надо поделить на еще более короткие кусочки или даже вообще отказаться от этого
понятия и «расчленять» речевой сигнал как-то иначе. Так родились фоноиды и еще масса авторских названий элементарных звуков.
А дальше все многозначитель­но
замолчали. Каждый принялся рассматривать речевой сигнал со своей позиции,
сообщай об успе­хах весьма туманно. Последнее, весьма вероятно, можно объяснить
желанием сохранить ноу-хау. Вот такая картина. Люди изобрели це­лую кучу
претендентов на универ­сальность. Конечно, в их основу положено прежде всего человеческое ощущение
звука. Возмож­но поэтому фонемы ничем не луч­ше букв. А фоноиды,
аллофоны и прочая - лишь усовершенство­ванная версия звукового деления речи. Может быть, в них и есть
какой-то смысл. Мы ведь услы­шим. А технически-то сигнал со­стоит не из наших,
человеческих компонентов восприятия. Сигнал можно разложить, отфильтровать,
как-то еще преобразовать. Задача не в этом. Необходимо найти некий эквивалент,
построить модель ме­ханизма восприятия звуков речи.  Большой интерес для
ученых, работающих в облас­ти распознавания речи, представ­ляют различные
разделы лингвистики, науки о языках. Возможно, удачный
синтез достижений этих наук и теории обработки речевых сигналов приведут к ус­пешному
созданию систем распознавания .
Главные трудности
фонемного подхода
             Темп речи варьируется в широ­ких пределах,
часто в несколько раз. При этом различные звуки речи растягиваются или сжимают­ся
не пропо-рционально. Напри­мер, гласные изменяются значи­тельно сильнее, чем
полугласные и особенно смычные согласные. Для так называемых щелевых зву­ков
есть свои закономерности. (По­лугласные - это звуки при гене­рации которых
необходимо участие голосовых связок, как и для гласных звуков, но сами они в
оби­ходе считаются согласными. На­пример, так обычно звучат «м», «н», «л» и
«р». Смычные звуки образуются при резком смыкании и размыкании
органов артикуляции. Например «б», «л», «д», «т». Образование щелевых
звуков свя­зано с шипением и прочими эф­фектами турбулентности в органах
артикуляции. Можно назвать «в», «ж», «с», а также «ш» и другие шипящие. В
качестве примеров для простоты намеренно не приведе­ны звуки, не имеющие
буквенных обозначений.) Эта свойство называется временной
нестационарностью образцов речевого сигнала. 
Произнося одно и то же слово или фразу в разное время, под влиянием
различных факторов (настроения, состояния здоровья и др.), мы генерируем заметно
не совпадающие спектрально-вре­менные распределения энергии. Это справедливо
даже для дваж­ды подряд произнесенного сло­ва. Намного сильнее этот эффект
проявляется при сравнении спек­трограмм одной и той же фразы, произнесенной
разными людьми. Обычно этот эффект называют спектральной нестационарной сетью
образцов речевого сигнала (см. примеры спектрограмм). В Изменение темпа речи и
четко­сти произношения является при­чиной коартикуляционной нестационарности,
означающей изме­нение взаимовлияния соседних звуков от образца к образцу.
Проблема кластеризации слит­ной речи. Из непрерывного рече­вого потока довольно
непросто вы­делить какие-либо речевые еди­ницы. Многие звуки «слипаются» либо
имеют нечеткие границы.
Многообразие видов
Существующие системы распо­знавания
речи можно классифи­цировать по разным признакам.
По
назначению:
1) командные
системы
2) системы
диктовки текста.
По
потребительским качествам:
1) диктороориентированные
(тре­нируемые на конкретного диктора)
2) дикторонезависимые
(рискую предложить термин «омнивойс»)
3) распознающие
отдельные слова
4) распознающие
слитную речь.
 По механизмам функциониро­вания:
1) простейшие
(корреляционные) детекторы
2) экспертные
системы с различ­ным способом формирования и обработки базы знаний
3) вероятностно-сетевые
модели принятия решения, в том числе нейронные сети.
Довольно трудно выбрать удоб­ный
показатель качества работы системы распознавания речи. Наи­более просто такой
показатель ка­чества вводится для командных систем. При тестировании в слу­чайном
порядке произносятся все возможные команды достаточно большое число раз.
Подсчитыва­ется количество правильно распознанных команд и делится на об­щее
количество произнесенных команд. В результате получается оценка вероятности
правильного распознавания команды в задан­ной при эксперименте акустиче­ской
обстановке. Для систем дик­товки похожий показатель качест­ва может вычисляться
при диктов­ке некоторого тестового текста. Очевидно, что это не всегда удоб­ный
показатель качества. В дейст­вительности мы сталкиваемся с са­мыми различными
акустическими обстановками. Но как быть со сменой дикторов и сопутствующей ей
тре­нировкой системы?
В качестве примера разрешите
взять на рассмотрение вариант простейшей командной системы распознавания речи.
Функционирование системы осно­вано на гипотезе о том, что спек­трально-временные
характеристи­ки команд-слов для отдельно взя­того диктора изменяются слабо.
Акустическая модель такой систе­мы представляет собой преобразователь из
речевого сигналов спектрально-временную матрицу и мо­жет служить типичным
примером изобретательского подхода. В са­мом простом случае команда ло­кализуется
во времени по паузам в речевом сигнале. Лингвистический блок способен
обнаружить огра­ниченное число команд плюс еще одну, которая означает все
осталь­ные неизвестные системе слова. Как правило, лингвистическая мо­дель
строится как алгоритм поиска максимума функционала от вход­ного образца и
образцов всего «словарного запаса» системы. Часто это обычный двумерный коррелятор. Хотя выбор размер­ности пространства описания и
его метрики может широко варьиро­ваться разработчиком.
Уже исходя из «конструкции»
описанной системы понятно, что она представляет собой скорее игрушку, нежели
полезный инструмент. В на­стоящее время на рынке представ­лено множество
коммерческих сис­тем распознавания речи с гораздо большими возможностями:
ü
Voice Type Dictation ,
Voice Pilot , ViaVoice от IBM
ü
Voice Assist  Creative от Techonology
ü
Listen for Windows  от Verbex и многие другие.
            Некоторые из них (например, ViaVoice) спо­собны, как заявляют
разработчи­ки, вводить слитную речь.
Лингвистические блоки совре­менных
систем реализуют слож­ную модель естественного языка. Иногда она основана на
математи­ческом аппарате скрытых цепей Маркова, иногда использует по­следние
достижения технологии нейронных сетей либо других ноу-хау. Устройство же
акустических блоков подобных систем держится в строгом секрете. По некоторым
признакам можно догадаться, что акустический блок некоторых сис­тем пытается
моделировать естест­венный слуховой аппарат.
Речевой
вывод.
Речевой вывод информации из
компьютера- проблема не ме­нее важная, чем речевой ввод. Это вторая часть
речевого интерфей­са, без которой разговор с компь­ютером не может состояться.
Я имею в виду прочтение вслух тек­стовой информации, а не проиг­рывание заранее
записанных зву­ковых файлов. То есть выдачу в речевой форме заранее не из­вестной
информации.
Фактически, благодаря синтезу
речи по тексту открывается еще один канал передачи данных от компьютера к
человеку, анало­гичный тому, какой мы имеем бла­годаря монитору. Конечно, труд­новато
было бы передать рисунок голосом. Но вот услышать элек­тронную почту или
результат по­иска в базе данных в ряде случаев было бы довольно удобно, осо­бенно
если в это время взгляд за­нят чем-либо другим. Например, придя утром на работу
в офис, вы могли бы поправлять галстуку зер­кала или возвращать на место при­ческу
(может быть, даже подкра­шивать ногти ) в то время как ком­пьютер
будет  читать вслух
по­следние известия или почту. Или. например, в середине рабочего дня он может привлечь ваше вни­мание сообщением, что прибли­жается время
заранее назначен­ной деловой встречи.
С точки зрения пользователя,
наиболее разумное решение про­блемы синтеза речи - это вклю­чение речевых
функций (в перс­пективе - многоязычных, с воз­можностями перевода) в состав
операционной системы. Компьютеры будут озву­чивать навигацию по меню, читать
(дублировать голосом) экранные сообщения, каталоги файлов, и т. д.
Важное замечанием пользо­ватель должен иметь достаточные возможности по
настройке голоса компьютера, в частности, при же­лании, суметь выключить голос
совсем.
Вышеупомянутые функции и
сейчас были бы не лишними для лиц, имеющих проблемы со зре­нием. Для всех
остальных они соз­дадут новое измерение удобства пользования компьютером и зна­чительно
снизят нагрузку на нерв­ную систему и на зрение. По моему мнению, сейчас не
стоит во­прос, нужны синтезаторы речи в персональных компьютерах или нет.
Вопрос в другом - когда они будут установлены на каждом ком­пьютере. Осталось
ждать, может быть, год или два.
Методы синтеза речи
 Теперь, после оптимистического описания
ближайшего будущего давайте обратимся собственно к тех­нологии синтеза речи.
Рассмотрим какой-нибудь хотя бы минимально осмысленный
текст, например, эту статью. Текст состоит из слов, раз­деленных пробелами и
знаками  препинания.
Произнесение слов зависит от их расположения в пред­ложении,
а интонация фразы - от знаков препинания. Более того, довольно часто и от типа
приме­няемой грамматической конструк­ции: в ряде случаев при произне­сении
текста слышится явная пауза, хотя какие-либо знаки препи­нания
отсутствуют. Наконец, про­изнесение зависит и от смысла сло­ва! Сравните,
например, выбор од­ного из вариантов за'мок» или «замо'к» для одного и того же слова «замок».
Обобщенная функциональная система синтеза
 Структура идеализированной сис­темы
автоматического синтеза ре­чи может быть представлена блок- схемой,
изображенной на рис.1.
Ввод текста
          
Блоки
лингвистической                    
Определение                Исправление
          
Обработки                                          
языка текста               
ошибок
                 Подготовка текста                                                            
входного текста
             
к
озвучиванию               
                          
                         Нормализация текста
                          Лингвистический анализ
                                Формирование              Фонемный  транскриптор
                                              Просодических                  Приведение фонем
                                
характеристик                   
к единицам синтеза
  Озвучивание               Формирование
управляющей информации
                                               Получение звукового сигнала
  
                                                                 
Звук
 Она не описывает ни одну из суще­ствующих реально систем, но со­держит
компоненты, которые мож­но обнаружить во многих системах.
Модуль лингвистической обработки
Прежде всего, текст,
подлежащий прочтению, поступает в модуль лингвистической обработки. В нем
производится определение языка , а также отфильтровываются не подлежащие
произнесению символы. В некоторых случаях ис­пользуются спелчекеры
(модули исправления орфографических и пунктуационных ошибок). Затем
происходит нормализация текста, то есть осуществляется разделе­ние введенного
текста на слова и остальные последовательности символов.Все знаки пунктуации
очень информатив­ны.
Для озвучивания цифр разра­батываются
специальные подблоки. Преобразование цифр в по­следовательности
слов является относительно легкой задачей, но цифры имеющие разное значение и
функцию, про­износятся по-разному.
Лингвистический анализ
После процедуры нормализации
каждому слову текста  необходимо
приписать сведения о его произношении, то есть превратить в цепочку фонем или, иначе говоря,
создать его фо­немную транскрипцию. Во многих языках, в том числе и в русском,
существуют достаточно регулярные правила чтения - правила
со­ответствия между буквами и фоне­мами (звуками), которые, однако могут
требовать предварительной расстановки
словесных ударений. В английском языке правила чте­ния очень нерегулярны, и
задача данного блока для английского синтеза тем самым усложняется. В любом
случае при определении произношения имен собственных, заимствований, новых слов
сокращений и аббревиатур возника­ют серьезные проблемы.
Просто хранить транскрипцию для всех слов языка не представляется воз­можным
из-за большого объема словаря и контекстных изменении произношения одного и
того же слова во фразе.
Кроме того, следует корректно
рассматривать случаи графиче­ской
омонимии: одна и та же последовательность буквенных сим­волов в различных
контекстах по­рой представляет два различных слова/словоформы и читается по-
разному (ср. выше приведенный
пример слова «замок»). Часто
удается решить проблему неод­нозначности такого рода путем грамматического
анализа, однако иногда помогает только исполь­зование более широкой семанти­ческой
информации.
Для языков с достаточно регу­лярными
правилами чтения од­ним из продуктивных подходов к переводу слов в фонемы
является система контекстных правил, пе­реводящих каждую букву/буква -
сочетание в ту или иную фонему, то есть автоматический
фонем­ный транскриптор. Однако чем больше в языке исключений из правил
чтения, тем хуже работает этот метод. Стандартный способ улучшения произношения
систе­мы состоит в занесении нескольких тысяч наиболее
употребительных исключений в словарь. Аль­тернативное подходу «слово - буква-фонема» решение предпо­лагает морфемный анализ слова и перевод в фонемы морфов (то есть значимых
частей слова: при­ставок, корней, суффиксов и окон­чаний). Однако в связи с
разными пограничными явлениями на сты­ках морфов разложение на эти элементы
представляет собой зна­чительные трудности. В то же вре­мя для языков с богатой
морфо­логией, например, для русского. словарь морфов был бы компакт­нее.
Морфемный анализ удобен еще и потому, что с его помощью можно определять
принадлежность слов к частям речи, что очень важно для грамматического ана­лиза
текста и задания его просодических характеристик. В английских системах синтеза
морфем­ный анализ был реализован в сис­теме MiTalk, для
которой процент ошибок транскриптора составляет 5%.
Особую проблему для данного
этапа обработки текста образуют имена собственные.
Формирование просодических характеристик
К просодическим характеристи­кам
высказывания относятся его тональные, акцентные и ритмиче­ские характеристики.
Их физиче­скими аналогами являются часто­та основного тона, энергия и дли­тельность.
Таким обра­зом, от системы синтеза следует ожидать примерно
того же, то есть, что она сможет понимать имею­щийся у нее на входе текст,
ис­пользуя методы искусственного интеллекта. Однако этот уровень развития
компьютерной техноло­гии еще не достигнут, и большин­ство современных систем
автома­тического синтеза стараются корректно синтезировать речь с эмоционально
нейтральной интона­цией. Между тем, даже эта задача на сегодняшний день
представля­ется очень сложной .
Методы
озвучивания
Теперь скажу несколько слов о
наиболее распространенных ме­тодах озвучивания, то есть о мето­дах получения
информации, управляющей параметрами соз­даваемого звукового сигнала, и способах
формирования самого звукового сигнала.
Самое широкое разделение
стратегий, применяемых при оз­вучивании речи, - это разделе­ние на подходы,
которые направ­лены на построение действующей модели рече-производящей сис­темы
человека, и подходы, где ставится задача смоделировать акустический сигнал как
таковой. Первый подход известен под на­званием артикуляторного синте­за. Второй
подход представляется на сегодняшний день более про­стым, поэтому он гораздо
лучше изучен и практически более успе­шен. Внутри него выделяется два основных
направления - формантный синтез по правилам и компилятивный синтез.
Формантные синтезаторы ис­пользуют возбуждающий
сигнал, который проходит через цифро­вой фильтр, построенный на не­скольких
резонансах, похожих на резонансы голосового тракта. Разделение возбуждающего
сиг­нала и передаточной функции го­лосового тракта составляет основу
классической акустической тео­рии речеобразования.
Компилятивный синтез осуще­ствляется путем склейки нужных единиц
компиляции из имеюще­гося инвентаря. На этом принципе
построено множество систем, использующих разные типы
единиц и различные методы составления инвентаря. В таких системах необ­ходимо
применять обработку сиг­нала для приведения частоты ос­новного тона, энергии и
длитель­ности единиц к тем, которыми должна характеризоваться синтезируемая
речь. Кроме того, требу­ется, чтобы алгоритм обработки сигнала сглаживал
разрывы в формантией (и спектральной в целом) структуре на границах сегментов.
В системах компилятивного синтеза применяются два разных типа ал­горитмов
обработки сигнала: LP (сокр. англ. Linear Prediction -
линейное предсказание) и PSQLA (сокр.
англ. Pitch Synchronous Overlap and Add). LP-синтез осно­ван
в значительной степени на аку­стической теории речеобразования,
в отличие от PSOLA-синтеза, который действует путем
простого разбиения звуковой волны, состав­ляющей единицу компиляции, на
временные окна и их преобразо­вания. Алгоритмы PSOLA позво­ляют
добиваться хорошего сохра­нения естественности звучания при модификации
исходной звуковой волны.
Наиболее
распространенные системы синтеза
(иностранные языки)
Наиболее распространенными
системами синтеза речи на сего­дня, очевидно, являются системы, поставляемые в
комплекте со зву­ковыми платами. Если ваш ком­пьютер оснащен какой-либо из них,
существует значительная ве­роятность того, что на нем уста­новлена система
синтеза речи - увы, не русской, а английской ре­чи, точнее, ее американского ва­рианта.
К большинству оригиналь­ных звуковых плат Sound Blaster прилагается система Creative Text- Assist, а вместе со звуковыми кар­тами других
производителей час­то поставляется программа Mono­logue компании FirsfByte.
TexAssist
представляет собой реализацию формантного синте­затора
по правилам и базируется на системе DECTalk, разработан­ной корпорацией Digital Equip­ment при участии известного аме­риканского фонетиста Денниса Клатта (к сожалению, рано ушед­шего
из жизни). DECTalk до сих пор остается своего рода стандар­том качества для
синтеза речи аме­риканского варианта английско­го. Компания Creative Technologies предлагает разработчикам
использовать TextAssist
в своих программах.  
Поддерживаемые
 операционные системы - MS Windows
и Windows 95; для Windows NT 
существует вер­сия системы DECTalk. изначально
создававшейся для Digital Unix. Новая версия TextAsslst, объявлен­ная фирмой
Associative Computing, Inc. и разработанная с использо­ванием технологий DECtalll и Cre­ative, является в то же время мно­гоязычной
системой синтеза, поддерживая английский, немец­кий, испанский и французский
языки. Это обеспечивается преж­де всего использованием соот­ветствующих
лингвистических мо­дулей. разработчик которых- фирма Lemout & Hausple
Speech Produсts
признанный лидер в поддержке многоязычных рече­вых технологий. В новой версии
будет встроенный редактор сло­варя, а также специализирован­ное устройство
TextReader с кно­почным управлением работой синтезатора в разных режима),
чтения текста.
Программа Monologue, пред­назначенная для озвучивания тек­ста, находящегося в
буфере обме­на MS Windows, использует сис­тему ProVoice. ProVoice- ком­пилятивный
синтезатор с исполь­зованием оптимального выбора режима компрессии речи и со­хранения
пограничных участков между звуками, разновидность TD-PSOLA. Рассчитан на амери­канский
и британский английский, немецкий, французский, латино­американскую
разновидность ис­панского и итальянский языки. Ин­вентарь сегментов компиляции
- смешанной размерности: сегмен­ты- фонемы или аллофоны. Компания FirstByte
позициониру­ет систему ProVoice и программ­ные продукты,
основанные на ней, как приложения с низким потреба пением
процессорного времени. FirstByte также предлагает рассчитанную на мощные компьютеры систему артикуляторного
синтеза PrimoVox для использования в приложениях
телефонии. Для разработчиков: Monologue Win32 поддерживает спецификацию MicrosoftSAPI.
Синтезатор
русской речи
В качестве примера рассмот­рим
разработку «Говорящая мышь» клуба
голосовых техноло­гий научного парка МГУ.
В основе речевого синтеза ле­жит
идея совмещения методов конкатенации и синтеза по пра­вилам. Метод конкатенации при адекватном наборе базовых эле­ментов
компиляции обеспечивает качественное воспроизведение спектральных характеристик
ре­чевого сигнала, а набор правил - возможность формирования ес­тественного
интонационно-про­содического оформления выска­зываний. Существуют и другие ме­тоды
синтеза, может быть, в пер­спективе более гибкие, подающие пока менее
естественное озвучи­вание текста. Это, прежде всего параметрический
(формантный'' синтез речи по правилам или на основе компиляции, развиваемый для
ряда языков зарубежными ис­следователями. Однако для реа­лизации этого метода
необходи­мы статистически представитель­ные акустика-фонетические ба­зы данных и соответствующая компьютерная
технология, кото­рые пока доступны не всем.
Инструментарий
синтеза русской речи
Упоминавшийся выше инструмен­тарий
синтеза русской речи по тексту позволяет читать вспух сме­шанные русско-английские тек­сты. Инструментарий представляет
собой набор динамических библиотек (DLL), в который входят модули русского и
английского синтеза, словарь ударений рус­ского языка, модуль правил про­изнесения
английских слов. На вход инструментария подается слово или предложение, подле­жащее
произнесению, с выхода поступает звуковой файл в фор­мате WAV или VOX,
записываемый в память или на жесткий диск.
Что
дальше?
А дальше... С одной стороны,
нужно не забывать, что речь - эта все-таки одно из проявлений выс­шей нервной
деятельности челове­ка, и потому вряд пи в ближайшие несколько лет стоит
ожидать появ­ления систем распознавания речи по эффективности и удобству срав­нимых
с секретарем-машинисткой, печатающей «со слов». С другой стороны, в мире
технологий все ме­няется очень быстро, и не известие, что сложнее: расслышать
непри­нужденно сказанную фразу или ра­зыграть красивый эндшпиль...
       
Думаю не будет   секретом то  , что любой находящийся в этой аудитории
человек если он болен машиной , если он фанатик врятли воспринимает её как  неодушевлённый предмет , как мебель . Скорее
в кучку железа под таинственным названием компьютер мы вкладываем душу
,вкладываем себя посредством непрерывного общения в прямом смысле этого слова .
Лично я не раз замечала за собою безсознательные вещи : набивая  текст, составляя  программу ,инсталируя приложения 
я регулярно бросаю компьютеру нелестные отзывы о ней же.Типа: Чего ты
еще хочешь Захлопнись , или Ну и кретин же ты. Наивно  пологая что когда нибудь она меня всё-таки услышит и на реплику :
«Какой же ты балбес» ласково произнесет питание компьютера отключено , потеря
всех не сохраненных данных . Именно по-этому темой своего реферата я выбрала
близкую мне : Речевые технологии .Хотя я назвала бы ее более лирично : Узнай
меня по голосу . В своем выступлении я хотела бы осветить не только проблемы и
перспективы развития речевого интерфейса, но по рассуждать о том нужен ли он
вообще и ой как не скоро окупят  надежды
потери времени и денег. 
рефераты Рекомендуем рефератырефераты

     
Рефераты @2011