Обзор систем распознавания речи

Стремительное развитие голосового поиска и систем распознавания речи играет важную роль в создании и усовершенствовании современных поисковых систем и систем управления. Управление с помощью голоса постепенно выходит за пределы планшетов и смартфонов и становится важной частью повседневной жизни. В перспективах развития – распознавание акцентов и диалектов, абсолютно новые подходы к формированию и выдаче информации, создание приложений, полностью управляемых голосом. Необходимо также отметить, что акценты, сленг и речевые модели достаточно разнообразны и на сегодняшний день все еще сложны для систем распознавания речи, но точность распознавания из года в год становится лучше. Осенью 2015 года Google представил улучшенные акустические модели, созданные с помощью технологии CTC (Connectionist Temporal Classification, нейросетевая темпоральная классификация). Это позволило повысить точность в условиях посторонних шумов, а также увеличить скорость распознавания.

Разработка системы распознавания речи – очень ресурсозатратная и довольно трудоемкая задача. Поэтому логично предположить, что для собственного проекта нужно интегрировать в него готовый вариант системы. В общем случае системы распознавания речи можно разделить на две категории: с открытым исходным кодом и с закрытым исходным кодом. У каждой категории есть свои достоинства и недостатки. Так, реализация систем распознавания речи с закрытым исходным кодом выполнена более качественно, такие системы имеют высокую точность распознавания речи, однако они могут не иметь необходимой документации, связанной с интегрированием других решений в их работу. Часто подобные системы являются платными, то есть придется покупать лицензию, чтобы использовать речевые технологии, представленные компанией-разработчиком. Системы распознавания речи с открытым исходным кодом обычно бесплатны, но для их эффективной работы необходимо создание исходной библиотеки с расширенным набором артикуляционных данных, речевых единиц и т.п. Это означает, что за развитие таких открытых систем ответственны те, кто их использует.

Рассмотрим системы распознавания речи с закрытым исходным кодом и возможностью интеграции. Мировым лидером в создании ПО для распознавания речи является Nuance Communications. Инструментарий Dragon Mobile SDK состоит из компонентов клиента и сервера, а также содержит в себе разнообразные примеры кода и шаблоны, документацию и фреймворк, значительно упрощающий интеграцию сервисов в приложения. Платформа Speech Kit создана для простого и быстрого добавления сервисов распознавания и синтеза речи в проекты и приложения. Также с помощью данной платформы можно получить доступ к серверным компонентам обработки речи. Все это минимизирует потребляемые ресурсы и расходы.

За большую часть операций цикла обработки речи отвечает система серверов. На сервере полностью выполняется распознавание или синтез речи. С помощью сервера выполняется аутентификация, зависящая от конфигурации разработчика.

Платформа Speech Kit – это, по сути, сетевой сервис, нуждающийся в базовых настройках для возможности использования классов распознавания или синтеза. Для этого выполняются основные операции:

·     Определение и авторизация приложения;

·     Установка соединения с сервером обработки речи.

Все это обеспечивает создание быстрых запросов на обработку речевой информации и повышает качество работы.

Dragon Mobile SDK показывает высокую точность распознавания на английском языке (до 99%). Его недостаток – ограниченный бесплатный функционал (до десяти тысяч запросов в сутки, выше десяти тысяч – платный доступ).

Google Speech Recognition API – продукт компании Google, позволяющий использовать голосовой поиск на основе технологии распознавания речи. Эта технология интегрирована в смартфоны и компьютеры с возможностью ввода голосовой информации. Летом 2011 года корпорация интегрировала речевую технологию в свою поисковую систему. На персональных компьютерах поддерживается браузером Google Chrome. Также существует голосовое управление для смартфонов с ОС Android.

С мая 2014 года доступ к API стал легален. Для работы с базой данных системы распознавания необходимо зарегистрироваться в Google Developers. Голосовой поиск Google по умолчанию внедрен во многие популярные сервисы: Google, Yahoo, YouTube, Википедия и др. Имеется возможность добавления собственных поисковых систем. Существует расширение, которое добавляет кнопку ввода голосовой информации для сайтов, использующих поисковые формы HTML5.

Чтобы использовать технологию голосового поиска Google необходимо выполнить POST-запрос на адрес со звуковыми данными формата «.flac» или «.spx». Далее реализовать распознавание WAVE-файлов с помощью любого ЯП. Система распознавания от Google во многом похожа на Dragon Mobile SDK от Nuance, но при этом не имеет ограничения на количество запросов в сутки.

Yandex Speech Kit – разработчики уверяют, что этот SDK является наилучшим выбором при использовании русского языка. Установлено ограничение на количество запросов (десять тысяч в сутки). По словам Григория Бакунова (топ-менеджер Яндекса), такое решение «достаточно тяжело вывести на международный рынок, так как с точки зрения патентов многое принадлежит Nuance и Яндекс одним из последних сумел продвигать развитие систем распознавания речи».

Эффективность распознавания в Yandex Speech Kit зависит, в первую очередь, от качества исходного звука, кодирования, разборчивости речи, темпа речи, сложности и длины фраз. Тематика голосовых запросов должна максимально совпадать с выбранной языковой моделью. Распознавание речи происходит в реальном времени вместе с передачей звуковой информации. Задержка не превышает одной секунды. Для обеспечения такой высокой скорости технология работает в режиме потокового распознавания с промежуточными результатами. Это значит, что как только человек начинает говорить, его речь передается на сервис распознавания небольшими частями.

Microsoft Speech API – технология распознавания речи компании Microsoft. В последнее время корпорация стала активно развивать подобные технологии (анонс Cortana, разработка технологии синхронного перевода в Skype).

Существуют различные варианты использования API:

·     Windows и Windows Server – добавление речевой технологии для Windows-приложения с использованием управляемого или исходного кода, который берется из API, а также управление речевым движком, встроенным в Windows и Windows Server;

·     Speech Platforms – встраивание платформы в различные приложения, использующие дистрибутивы Microsoft (например, встраивание в языковые пакеты);

·     Embedded – решения, позволяющие человеку взаимодействовать с устройствами, используя голос (например, управление в ОС Windows Automotive);

·     Services – разработка приложений голосовыми функциями для использования в реальном времени.

Выше были рассмотрены одни из самых распространенных систем распознавания речи с закрытым исходным кодом. Какую же систему наиболее выгодно использовать в своем проекте? Привлекательно выглядит инструментарий Dragon Mobile SDK (хорошая документация, простой код для встраивания). Однако данный продукт имеет сложную систему лицензирования и строгие правила использования технологии. Поэтому целесообразность создания пользовательского продукта на Dragon Mobile под вопросом.

Исходя из вышесказанного, наиболее выгодно использование Google Speech Recognition API (хорошая встраиваемость и быстродействие за счет больших вычислительных мощностей корпорации). Еще одно преимущество – отсутствие ограничения по количеству запросов в сутки. Google довольно активно развивает технологии распознавания речи, что также является плюсом при использовании их инструментария.

Теперь рассмотрим системы распознавания речи с открытым исходным кодом. CMU Sphinx (или просто Sphinx) была создана группой разработчиков из университета Карнеги-Меллон. Система состоит из набора распознавателей речи (Sphinx 2–4) и акустической модели (Sphinx train).

Sphinx является распознавателем непрерывной речи, использующим скрытые марковские модели и статистические языковые модели. В системе реализована возможность распознавания продолжительной речи и большой словарь распознавания. Sphinx примечателен тем, что развиваясь, затмевал все предыдущие версии в плане производительности.

Sphinx 4 – абсолютно новый речевой движок Sphinx, обеспечивающий основу для исследования технологий распознавания речи. Sphinx 4 был создан на ЯП Java. Большой вклад в создание и развитие Sphinx 4 внесла и сама Sun Microsystems. В будущем разработчики планируют создание и развитие новых акустических моделей, реализацию системы речевой адаптации, улучшение управления конфигурациями.

PocketSphinx может быть встроена в системы на базе ARM-процессора. На данный момент PocketSphinx быстро развивается и встраивается в различные системы и модели на базе смешанных вычислений.

Julius – высокопроизводительная система распознавания речи с большим словарем, также декодер ПО для исследования связанной речи. Декодер работает на большинстве современных компьютеров, объем словаря – 60 тысяч слов. Главная особенность системы – полная встраиваемость. Основной платформой проекта являются системы Linux и другие UNIX-подобные системы, однако существует версия и для Windows.

Изначально Julius разрабатывался для исследований в области распознавания японского языка, разработки продолжались в рамках консорциума систем распознавания непрерывной речи с 2000 по 2003 год в Японии. С версии 3.4 грамматическая база анализатора получило название Julian и была интегрирована в Julius. Julian использует собственную форму грамматики на основе конечного автомата и является, по сути, модифицированной формой Julius. Существенный недостаток Julius – распространение только для модели японского языка. Стоит заметить, что существует проект VoxForge, который создает акустическую модель для английского языка на основе Julius.

RWTH ASR (RASR) – система распознавания речи, включающая в себя технологию для создания автоматических систем распознавания. Эта технология развивается группой из Рейнско-Вестфальского технического университета Ахена. RWTH ASR состоит из инструментов для создания акустических моделей и декодеров, а также компонентов для адаптации речи и адаптивных систем обучения. Данная система распознавания речи работает с операционными системами Linux и MacOS. Проект имеет подробную документацию и предлагает готовые для использования шаблоны и модели, обучающие системы и др.

Simon – система распознавания речи, созданная с помощью речевых движков Julius и HTK. Simon довольно удобна для работы с различными языками и диалектами. Работа системы основана на выполнении определенных сценариев. Пакеты системы сконфигурированы для выполнения специализированных задач. Пользователи могут сами создавать сценарии и выкладывать их в сообщество. Simon поддерживает разнообразные модели, подобные GPL-моделям из VoxForge. Пользователи используют эти модели для произношения. Сама система может работать без предварительной тренировки.

Рассмотрев распространенные системы распознавания речи с открытым исходным кодом можно сделать вывод, что наиболее интересна система CMU Sphinx. Однако, как было сказано ранее, для эффективной работы систем распознавания речи с открытым исходным кодом необходима большая база исходных данных, в противном случае точность распознавания будет небольшой, особенно в сравнении с системами с закрытым исходным кодом. В общем случае использование подобных систем как основы для собственной системы распознавания речи вполне оправдано.