Программы распознавания речи

Dead Krow · 22.02.2009, 06:42

Есть ли вабще какиенить НОРМАЛЬНЫЕ проги для русского языка??? а для английского?

che-hoff · 22.02.2009, 08:36

Dead Krow все мои эксперименты закончились печально - нормальных не нашел...

Могилиус Трупп · 22.02.2009, 23:45

И их не будет еще очень долго при нынешнем уровне развития искусственного интеллекта.

rquester · 04.03.2009, 22:01

Цитата (Могилиус Трупп;1618921) »

И их не будет еще очень долго при нынешнем уровне развития искусственного интеллекта

На самом деле, для распознавания голоса искусственный интеллект особо не нужен (хотя если бы был - все было бы решено автоматически). Как не нужен он для распознавания текста или синтеза речи. Возможно, для того чтобы перевести распознавание из "очень хорошего" в "отличное" что-то подобное и понадобится, но пока должно хватить обычных алгоритмов... Говорю как человек занимавшийся алгоритмом различия омографов и синтезом речи тоже (синтез, правда, пока не очень, но, учитывая что я это вообще в одиночку делаю...). Причем различие омографов работает в 99 процентов случаев и я вижу еще резервы для улучшения (если не верите - можно попробовать http://www.bludnikov.ru/soft2.htm).
На самом деле, подозреваю, если бы все фирмы имеющие наработки в распознавании объединили бы усилия - уже было бы все сделано и с достаточно приличным качеством (причём для всех языков). По крайней мере, та программа распознавания, которая ставится с SAPI некоторые звуки угадывала вполне регулярно... И, скорее всего, другие программы четко угадывают другие звуки...

che-hoff · 05.03.2009, 08:21

rquester звуки-звуками...
а темп речи, а ударение, а границы фраз?

05.03.2009, 09:19

Я по телеку смотрел передачу про такие программы. Суть передачи в том, что их действительно не будет ещё достатосно долго. А те, что есть - выполняют свои функции очень плохо.

rquester · 05.03.2009, 19:27

che-hoff

Цитата

а темп речи, а ударение, а границы фраз?

Границы фраз определяются без проблем - по паузе и графику громкости (к концу предложения громкость обычно понижается). Это если речь слитная. Если речь не слитная (не запись лекции, а просто диктовка), то пунктуация может вводиться дополнительными словами - (обычными - точка, запятая, вопросительный знак... или условными (чтобы в тексте не встречалось)).
Ударение тоже не должно вызывать проблем - ударную гласную отличает длительность, громкость (да и другие параметры, например, если обнаружено чёткое о, значит оно ударное). Если человек на слух может сказать с каким ударением произнесено слово даже не зная этого слова - то и компьютер, в принципе, тоже может и никакого ИИ для этого не нужно.
С темпом речи вообще вроде никаких проблем, даже в имеющихся программах....

АсУ · 08.03.2009, 22:25

А как на этот счет MS Ofice 2007 ?

rquester · 10.03.2009, 00:28

Цитата

А как на этот счет MS Ofice 2007 ?

Насколько я знаю (2007 не смотрел) Ms Office использует стандартные SAPI интерфейсы. То есть, какой в системе установлен движок, такое и качество.
Если тот же движок, что ставится с SAPI - распознавание очень плохое (для английского языка, для русского ничего и не было вроде). Достаточно чётко распознаёт несколько звуков и регулярно придумывает слова, отсутствующие в тексте. 50 процентов похожих на сказанные слова, 20 процентов угаданных слов, 30% - полнейшая отсебятина. По крайней мере, мне добиться лучшего не удалось... У меня, правда, английское произношение далеко не идеальное, но те 30% вообще когда речи нет возникали...

АсУ · 10.03.2009, 11:27

rquester Спасибо. Для себя делаю вывод (относительно MS Ofice 2007): не стоит замарачиваться.

Antichrist · 10.03.2009, 11:51

Среди английских Dragon Dictate и Dragon Naturally speaking. Первая ориентирована на набор текста, а вторая на управление компом с помощью голоса. Из руских юзал только Горыныча(по ходу он построян на ядре Dragon Dictate). Вцелом качесвто распознавания зависило от того сколько я слов правильно надиктую при настройке. Ну там всегда в начале давали прочитать текст если читать их все больше и с правильным произношением то прожка будет работать более-менее. Фишка в том что для русского Горыныча надо было надиктовывать каждое слово в отдельности, а это занимало массу времени. Интересным является не только speach-to-text технология, но и обратная text-to-speach. Среди движков такого рода из русских мне больше всего понравился Digalo Nikolai(как ни странно французкого производства), а для англ. вполне катит стандартный Microsoft Sam.

АсУ · 10.03.2009, 12:21

Цитата (Antichrist;1625065) »

Antichrist

Digalo Nikolai надо попробовать. Пока при случае пользуюсь Гудди от ПРОМТа.

Алексей с Украины добавил :

Antichrist Это она и есть? http://209.85.129.132/search?q=cache...lr=lang_uk</a>

rquester · 10.03.2009, 15:25

Цитата

Среди движков такого рода из русских мне больше всего понравился Digalo Nikolai

На данный момент уже есть усовершенствованные версии Николая (пишет файлы быстрее, не вылетает на некоторых словах, Speech Cube Nikolai, еще какие-то версии, но нужно смотреть чтобы он понимал ударения в тексте - некоторые версии (особенно SAPI5) не понимают), а так же движки Алёна (Acapella-Group Alena) (лучше версию 22.10 так как у более ранних есть проблема с синтезом под SAPI4) и Ольга (Loquendo Olga). Еще приемлема Realspeak Katerina. У всех синтез очень приличный. Еще можно попробовать с помощью Книгодела заставить говорить по-русски польскую Ania (Acapela-Group).
Основная проблема - расстановка ударений, в особенности на омографы (типа рУки/рукИ), решается с помощью моей разработки - Книгодела (http://www.bludnikov.ru/soft2.htm) (он работает со всеми указанными движками, формат вывода выбирается в настройках, а затем выполняется команда Export, оптимальные варианты установок, на мой взгляд, Diagalo-Nikolai, Alena (транскрипция), Olga (новая) для соответствующих движков). (Альтернативное решение - словари замен - даёт гораздо худший результат).
P.S.: когда смотрел Горыныча (было это, правда, очень давно, лет 10 назад) он даже (с обучением) не всегда мог отличить "к" от "вобла" (при трёх словах, которым его обучил).

Antichrist · 10.03.2009, 21:36

При распознавании речи на качество влияют многие факторы: Тип микрофона(Все советуют close-talk), громкость источника, скорость чтения, четкость дикции, внешние шумы и т.д. Я юзаю микрофон который шел в комплекте от моей мамки ASUS. Он не close-talk, но зато стерео и с подавлением шумов(циклически повторяющихся звуков и антифидбек). Установка этого микрофона значительно улучшила качество распознавания.

Antichrist добавил :

Алексей с Украины

Цитата

Antichrist Это она и есть? http://209.85.129.132/search?q=cach...l=ru&lr=lang_uk [/url]

Я с оффсайта качал. Но адрес не помню. Нашел вот-такое:
http://www.programy.com.ua/ukr/download/187944/

Dead Krow · 11.03.2009, 07:09

SAPI - ?

что это??? у кого нибудь есть FAQ по этому поводу???
кто пробовал переводить речь в текст опишите какое нужно оборудование и как выглябит процесс, схоже с просто записью речи на комп???

rquester · 11.03.2009, 16:40

Dead Krow

Цитата

SAPI - ? что это???

SAPI - это Speech API, интерфейс, который Microsoft предоставляет для работы с речью (синтез и распознавание) Sapi5 SDK можно скачать с сайта Microsoft - это набор для программирования, но в составе есть англоязычные движки для синтеза и распознавания. И программы работающие в комплекте тоже есть.

Цитата

кто пробовал переводить речь в текст опишите какое нужно оборудование и как выглябит процесс, схоже с просто записью речи на комп???

Из оборудования нужен только микрофон, в принципе, любой (желательно того типа, на котором отлаживалась программа). Желательно уменьшить шумы. Потом запускается либо идущая в комплекте программа, либо внешняя, поддерживающая работу с голосом. Нажимается кнопка распознавания, после чего все начитанное появляется в виде текста. Теоретически...

Для лучшего распознавания можно сделать калибровку - заданный текст читается в микрофон.

Max Ader · 17.03.2009, 18:53

Был бы спрос хороший - все бы уже появилось... А так, маловата (с точки зрения индустрии) целевая база и ее возможности.

rquester · 19.03.2009, 19:08

Max Ader

Цитата

Был бы спрос хороший - все бы уже появилось... А так, маловата (с точки зрения индустрии) целевая база и ее возможности.

На самом деле, целевая база работоспособной системы распознавания - практически все домашние пользователи. ДУ телевизором и музыкальным центром (гораздо проще сказать "TV, отключи звук", чем искать пульт), диктовка текста (дома, в офисе, конечно, этот вариант не подойдёт), голосовое управление ОС и программами ("Калькулятор, сколько будет 125 на 256?", "Какой сейчас курс доллара?","Какая завтра ожидается погода?"), играми и т.д.
Но это - для стабильно распознающей системы с минимальным процентом ложных срабатываний. Если синтез на данный момент уже достаточно хорош для использования на практике (хотя проблемы есть - относительно небольшое число голосов, одноязычность каждого голоса, отсутствие стандартов для движков в SAPI (например, не стандартизован символ ударения)), недостаточно интонаций и т.д., но проблемы решаемые в достаточно короткие сроки), то распознавание даёт сбои слишком часто. При таком проценте ошибок область применения оказывается действительно небольшой...

Max Ader · 20.03.2009, 14:58

Цитата (rquester;1629523) »

На самом деле, целевая база работоспособной системы распознавания - практически все домашние пользователи.

Готовой к применению, как сами же и отметили. А на какие шиши? Они за это заплатят? "Индейская национальная изба... Фиг-вам, называется!" (с) А слабовидящих и т.д. маловато будет, запросы у них несколько другие и они готовы и сами обучаться и машину учить. "Приплыли..." (с) Так что удивляться неспешному прогрессу в данной отрасли? Как правильно отметили - ИИ (его отсутствие) тут не при делах. С ним бы было то же самое.

Zlata · 21.03.2009, 01:01

Цитата (Max Ader;1629840) »

А на какие шиши? Они за это заплатят? "Индейская национальная изба... Фиг-вам, называется!" (с)

вы будете удивлены, но в основной массе своей пользователи платят за программное обеспечение. Именно поэтому компании, производящие платное ПО, живут и процветают.

22.02.2009, 06:42	Вверх #1
Dead Krow Начинающий Автор темы Регистрация: 22.02.2009	Программы распознавания речи Есть ли вабще какиенить НОРМАЛЬНЫЕ проги для русского языка??? а для английского?

22.02.2009, 08:36	Вверх #2
che-hoff Экс-модератор Регистрация: 08.08.2005 Адрес: Екатеринбург - "перекресток железных дорог"	Dead Krow все мои эксперименты закончились печально - нормальных не нашел... __________________ - Всё шутите... - Давно бросил - врачи запрещают.

22.02.2009, 23:45	Вверх #3
Могилиус Трупп Умудрённый Регистрация: 30.11.2003	И их не будет еще очень долго при нынешнем уровне развития искусственного интеллекта. __________________ Берегитесь, колдуны-неудачники!

05.03.2009, 08:21	Вверх #5
che-hoff Экс-модератор Регистрация: 08.08.2005 Адрес: Екатеринбург - "перекресток железных дорог"	rquester звуки-звуками... а темп речи, а ударение, а границы фраз? __________________ - Всё шутите... - Давно бросил - врачи запрещают.

10.03.2009, 11:51	Вверх #11
Antichrist Продвинутый Регистрация: 12.10.2007	Среди английских Dragon Dictate и Dragon Naturally speaking. Первая ориентирована на набор текста, а вторая на управление компом с помощью голоса. Из руских юзал только Горыныча(по ходу он построян на ядре Dragon Dictate). Вцелом качесвто распознавания зависило от того сколько я слов правильно надиктую при настройке. Ну там всегда в начале давали прочитать текст если читать их все больше и с правильным произношением то прожка будет работать более-менее. Фишка в том что для русского Горыныча надо было надиктовывать каждое слово в отдельности, а это занимало массу времени. Интересным является не только speach-to-text технология, но и обратная text-to-speach. Среди движков такого рода из русских мне больше всего понравился Digalo Nikolai(как ни странно французкого производства), а для англ. вполне катит стандартный Microsoft Sam. __________________ Дьявол не искушает грешников и неверующих, ибо они уже его.

04.03.2009, 22:01	Вверх #4
rquester Новенький Регистрация: 04.03.2009 Адрес: Санкт-Петербург	Цитата (Могилиус Трупп;1618921) » И их не будет еще очень долго при нынешнем уровне развития искусственного интеллекта На самом деле, для распознавания голоса искусственный интеллект особо не нужен (хотя если бы был - все было бы решено автоматически). Как не нужен он для распознавания текста или синтеза речи. Возможно, для того чтобы перевести распознавание из "очень хорошего" в "отличное" что-то подобное и понадобится, но пока должно хватить обычных алгоритмов... Говорю как человек занимавшийся алгоритмом различия омографов и синтезом речи тоже (синтез, правда, пока не очень, но, учитывая что я это вообще в одиночку делаю...). Причем различие омографов работает в 99 процентов случаев и я вижу еще резервы для улучшения (если не верите - можно попробовать http://www.bludnikov.ru/soft2.htm). На самом деле, подозреваю, если бы все фирмы имеющие наработки в распознавании объединили бы усилия - уже было бы все сделано и с достаточно приличным качеством (причём для всех языков). По крайней мере, та программа распознавания, которая ставится с SAPI некоторые звуки угадывала вполне регулярно... И, скорее всего, другие программы четко угадывают другие звуки...

05.03.2009, 09:19	Вверх #6
Virgil Guest	Я по телеку смотрел передачу про такие программы. Суть передачи в том, что их действительно не будет ещё достатосно долго. А те, что есть - выполняют свои функции очень плохо.

05.03.2009, 19:27	Вверх #7
rquester Новенький Регистрация: 04.03.2009 Адрес: Санкт-Петербург	che-hoff Цитата а темп речи, а ударение, а границы фраз? Границы фраз определяются без проблем - по паузе и графику громкости (к концу предложения громкость обычно понижается). Это если речь слитная. Если речь не слитная (не запись лекции, а просто диктовка), то пунктуация может вводиться дополнительными словами - (обычными - точка, запятая, вопросительный знак... или условными (чтобы в тексте не встречалось)). Ударение тоже не должно вызывать проблем - ударную гласную отличает длительность, громкость (да и другие параметры, например, если обнаружено чёткое о, значит оно ударное). Если человек на слух может сказать с каким ударением произнесено слово даже не зная этого слова - то и компьютер, в принципе, тоже может и никакого ИИ для этого не нужно. С темпом речи вообще вроде никаких проблем, даже в имеющихся программах....

08.03.2009, 22:25	Вверх #8
АсУ Запрещенный Регистрация: 20.09.2006 Адрес: везде и всегда	А как на этот счет MS Ofice 2007 ?

10.03.2009, 00:28	Вверх #9
rquester Новенький Регистрация: 04.03.2009 Адрес: Санкт-Петербург	Цитата А как на этот счет MS Ofice 2007 ? Насколько я знаю (2007 не смотрел) Ms Office использует стандартные SAPI интерфейсы. То есть, какой в системе установлен движок, такое и качество. Если тот же движок, что ставится с SAPI - распознавание очень плохое (для английского языка, для русского ничего и не было вроде). Достаточно чётко распознаёт несколько звуков и регулярно придумывает слова, отсутствующие в тексте. 50 процентов похожих на сказанные слова, 20 процентов угаданных слов, 30% - полнейшая отсебятина. По крайней мере, мне добиться лучшего не удалось... У меня, правда, английское произношение далеко не идеальное, но те 30% вообще когда речи нет возникали...

10.03.2009, 11:27	Вверх #10
АсУ Запрещенный Регистрация: 20.09.2006 Адрес: везде и всегда	rquester Спасибо. Для себя делаю вывод (относительно MS Ofice 2007): не стоит замарачиваться.

10.03.2009, 12:21	Вверх #12
АсУ Запрещенный Регистрация: 20.09.2006 Адрес: везде и всегда	Цитата (Antichrist;1625065) » Antichrist Digalo Nikolai надо попробовать. Пока при случае пользуюсь Гудди от ПРОМТа. Алексей с Украины добавил : Antichrist Это она и есть? http://209.85.129.132/search?q=cache...lr=lang_uk</a>

10.03.2009, 15:25	Вверх #13
rquester Новенький Регистрация: 04.03.2009 Адрес: Санкт-Петербург	Цитата Среди движков такого рода из русских мне больше всего понравился Digalo Nikolai На данный момент уже есть усовершенствованные версии Николая (пишет файлы быстрее, не вылетает на некоторых словах, Speech Cube Nikolai, еще какие-то версии, но нужно смотреть чтобы он понимал ударения в тексте - некоторые версии (особенно SAPI5) не понимают), а так же движки Алёна (Acapella-Group Alena) (лучше версию 22.10 так как у более ранних есть проблема с синтезом под SAPI4) и Ольга (Loquendo Olga). Еще приемлема Realspeak Katerina. У всех синтез очень приличный. Еще можно попробовать с помощью Книгодела заставить говорить по-русски польскую Ania (Acapela-Group). Основная проблема - расстановка ударений, в особенности на омографы (типа рУки/рукИ), решается с помощью моей разработки - Книгодела (http://www.bludnikov.ru/soft2.htm) (он работает со всеми указанными движками, формат вывода выбирается в настройках, а затем выполняется команда Export, оптимальные варианты установок, на мой взгляд, Diagalo-Nikolai, Alena (транскрипция), Olga (новая) для соответствующих движков). (Альтернативное решение - словари замен - даёт гораздо худший результат). P.S.: когда смотрел Горыныча (было это, правда, очень давно, лет 10 назад) он даже (с обучением) не всегда мог отличить "к" от "вобла" (при трёх словах, которым его обучил). Последний раз редактировалось rquester; 10.03.2009 в 15:57.

10.03.2009, 21:36	Вверх #14
Antichrist Продвинутый Регистрация: 12.10.2007	При распознавании речи на качество влияют многие факторы: Тип микрофона(Все советуют close-talk), громкость источника, скорость чтения, четкость дикции, внешние шумы и т.д. Я юзаю микрофон который шел в комплекте от моей мамки ASUS. Он не close-talk, но зато стерео и с подавлением шумов(циклически повторяющихся звуков и антифидбек). Установка этого микрофона значительно улучшила качество распознавания. Antichrist добавил : Алексей с Украины Цитата Antichrist Это она и есть? http://209.85.129.132/search?q=cach...l=ru&lr=lang_uk [/url] Я с оффсайта качал. Но адрес не помню. Нашел вот-такое: http://www.programy.com.ua/ukr/download/187944/ __________________ Дьявол не искушает грешников и неверующих, ибо они уже его.

11.03.2009, 07:09	Вверх #15
Dead Krow Начинающий Автор темы Регистрация: 22.02.2009	SAPI - ? что это??? у кого нибудь есть FAQ по этому поводу??? кто пробовал переводить речь в текст опишите какое нужно оборудование и как выглябит процесс, схоже с просто записью речи на комп???

11.03.2009, 16:40	Вверх #16
rquester Новенький Регистрация: 04.03.2009 Адрес: Санкт-Петербург	Dead Krow Цитата SAPI - ? что это??? SAPI - это Speech API, интерфейс, который Microsoft предоставляет для работы с речью (синтез и распознавание) Sapi5 SDK можно скачать с сайта Microsoft - это набор для программирования, но в составе есть англоязычные движки для синтеза и распознавания. И программы работающие в комплекте тоже есть. Цитата кто пробовал переводить речь в текст опишите какое нужно оборудование и как выглябит процесс, схоже с просто записью речи на комп??? Из оборудования нужен только микрофон, в принципе, любой (желательно того типа, на котором отлаживалась программа). Желательно уменьшить шумы. Потом запускается либо идущая в комплекте программа, либо внешняя, поддерживающая работу с голосом. Нажимается кнопка распознавания, после чего все начитанное появляется в виде текста. Теоретически... Для лучшего распознавания можно сделать калибровку - заданный текст читается в микрофон.

17.03.2009, 18:53	Вверх #17
Max Ader Заслуженный Регистрация: 18.02.2004 Адрес: ???	Был бы спрос хороший - все бы уже появилось... А так, маловата (с точки зрения индустрии) целевая база и ее возможности. __________________ I'm in the way, aren't I?!

19.03.2009, 19:08	Вверх #18
rquester Новенький Регистрация: 04.03.2009 Адрес: Санкт-Петербург	Max Ader Цитата Был бы спрос хороший - все бы уже появилось... А так, маловата (с точки зрения индустрии) целевая база и ее возможности. На самом деле, целевая база работоспособной системы распознавания - практически все домашние пользователи. ДУ телевизором и музыкальным центром (гораздо проще сказать "TV, отключи звук", чем искать пульт), диктовка текста (дома, в офисе, конечно, этот вариант не подойдёт), голосовое управление ОС и программами ("Калькулятор, сколько будет 125 на 256?", "Какой сейчас курс доллара?","Какая завтра ожидается погода?"), играми и т.д. Но это - для стабильно распознающей системы с минимальным процентом ложных срабатываний. Если синтез на данный момент уже достаточно хорош для использования на практике (хотя проблемы есть - относительно небольшое число голосов, одноязычность каждого голоса, отсутствие стандартов для движков в SAPI (например, не стандартизован символ ударения)), недостаточно интонаций и т.д., но проблемы решаемые в достаточно короткие сроки), то распознавание даёт сбои слишком часто. При таком проценте ошибок область применения оказывается действительно небольшой... Последний раз редактировалось rquester; 19.03.2009 в 19:11.

20.03.2009, 14:58	Вверх #19
Max Ader Заслуженный Регистрация: 18.02.2004 Адрес: ???	Цитата (rquester;1629523) » На самом деле, целевая база работоспособной системы распознавания - практически все домашние пользователи. Готовой к применению, как сами же и отметили. А на какие шиши? Они за это заплатят? "Индейская национальная изба... Фиг-вам, называется!" (с) А слабовидящих и т.д. маловато будет, запросы у них несколько другие и они готовы и сами обучаться и машину учить. "Приплыли..." (с) Так что удивляться неспешному прогрессу в данной отрасли? Как правильно отметили - ИИ (его отсутствие) тут не при делах. С ним бы было то же самое. __________________ I'm in the way, aren't I?!

21.03.2009, 01:01	Вверх #20
Zlata 3Dnews fan Регистрация: 10.11.2003 Адрес: EU	Цитата (Max Ader;1629840) » А на какие шиши? Они за это заплатят? "Индейская национальная изба... Фиг-вам, называется!" (с) вы будете удивлены, но в основной массе своей пользователи платят за программное обеспечение. Именно поэтому компании, производящие платное ПО, живут и процветают. __________________ Нет **йне!