Системы управления распознавания речевой информации

В случаях, когда доступ к системе, распознающей речь, должен быть обеспечен любому пользователю, целесообразен переход к неадаптивным (независимым от диктора) системам автоматического распознавания. Эти системы гораздо легче реализовать для языков, фонетическая структура которых более изучена (для русского, японского, английского) и гораздо сложнее для языков тонального типа (вьетнамского, китайского, французского).

При создании систем автоматического распознавания звучащей речи огромное значение приобретают эксперименты в области восприятия речи. Результаты таких экспериментов часто лежат в основе функционирования той или иной системы. ЭВМ, распознающие речь, зачастую копируют некоторые не только анализирующие функции человеческого уха, но и запоминающие, а также логические функции человеческого мозга.

Непрерывное совершенствование форм диалога между человеком-оператором и ЭВМ должно привести к оптимизации коммуникации между ними. Диалог «человек-машина» на естественном языке предполагает использование, как соответствующих технических методов, так и определенных лингвистических знаний. Изучение проблемы роли языка общения между человеком и ЭВМ и разработка автоматизированных систем с естественным для человека языком общения находятся на стадии дальнейшего становления.

2              Системы управления распознаванием речевой информации

2.1              Система голосового управления

Все системы голосового управления компьютером и другим оборудованием можно условно разделить на два класса.

К первому классу мы будем относить устройства, назначением которых является облегчение работы с компьютером. Такие устройства используются в качестве дополнительного канала управления наряду с основными и традиционными каналами — клавиатура и мышь, а также экран компьютера (который служит каналом обратной связи).

В устройствах второго класса речевой интерфейс является основным и единственным. Эти устройства доступны тем, кто не может работать с клавиатурой и экраном компьютера либо из-за проблем со здоровьем, либо из-за чрезмерной занятости какой-либо работой (например, управлением автомобилем или самолетом).

В этом разделе мы рассмотрим несколько систем голосового управления, созданных в компании «Центр речевых технологий». Это программы VoiceNavigator и Truffaldino, библиотека распознавания голосовых команд VoiceKeyKit и система DiVo управления мобильным телефоном в автомобиле без использования рук (hands-free car kit).

Все они, кроме последней, относятся к первому классу, т.к. для работы с ними необходимы традиционные средства ввода и вывода информации. Систему DiVo управления мобильным телефоном в автомобиле можно отнести ко второму классу — для работы с этой системой не нужен ни компьютер, ни экран, ни клавиатура.

2.1.1              Программа VoiceNavigator

Программа VoiceNavigator (рис. 1) является типичным представителем программ голосового управления компьютером. Она позволяет пользователю запускать приложения голосом, не дотрагиваясь до клавиатуры, и выполнять произвольно заданные команды.

Рис. 1. Программа VoiceNavigator

Перед использованием программы VoiceNavigator ее необходимо обучить, произнеся в микрофон слова команд. Так как программа VoiceNavigator распознает команды по образцам, то команды можно произносить на любом языке и любым голосом.

Чтобы программа начала распознавать голосовые команды, ее необходимо «разбудить», произнеся ключевое слово. После этого программа будет реагировать только на Ваши команды, игнорируя остальные звуки.

В программе есть функция голосового ответа-подтверждения команд. Эта функция позволяет убедиться, что Ваша команда распознана системой и готова для выполнения.

Программа VoiceNavigator нетребовательна к ресурсам компьютера. Вы можете использовать ее в компьютере, оборудованном процессором с тактовой частотой 200 МГц или выше, причем для ввода звуковых команд подойдет любой звуковой адаптер, например, Creative Sound Blaster.

2.1.2              Программа Truffaldino

Программа Truffaldino (рис. 2) предназначена для управления домашним или офисным оборудованием, таким как телевизор, домофон, видео-магнитофон, аудио-система, кондиционер, микроволновая печь, система освещения, телефон и т.п.

Рис. 2. Программа Truffaldino

Эта программа пригодится людям с ограниченными физическими возможностями, не способными управляться с домашней техникой обычным способом.

После предварительного обучения программа Truffaldino способна распознавать несколько десятков команд, произнесенных на любом языке и любым голосом. Последнее возможно благодаря тому, что команды распознаются по голосовым шаблонам.

Особенностью программы является хорошая работа в условиях шумов. Это обстоятельство имеет большое значение, так как дома или в офисе акустическая обстановка может быть далеко не идеальной.

Помимо ключевой фразы, предназначенной для «пробуждения» программы Truffaldino, имеется функция ограничения доступа. С помощью этой функции Вы сможете заблокировать запуск программы посторонними людьми.

В программе Truffaldino есть функция голосового ответа-подтверждения команд, аналогичная такой же функции программы VoiceNavigator. Эта функция позволяет убедиться, что Ваша команда распознана Системные требования программы Truffaldino аналогичны требованиям программы VoiceNavigator. Однако для управления оборудованием необходимо применение дополнительного устройства, такого как Infra-Red X-tender.

2.2              ПО для распознавания речи

Первые попытки разработать программу, способную понимать человеческую речь, были предприняты едва ли не на заре компьютерной эры, в начале пятидесятых. В дальнейшем многие научные центры, в том числе и в нашей стране, брались за решение этой проблемы (фундаментальные исследования теории языка, которые велись в 70-х годах в СССР, легли в основу многих современных продуктов), но первый серьезный прорыв в области речевых технологий удалось сделать только в 1986 году в знаменитом американском Defense Advanced Research Project Agency (DARPA) — Агентстве перспективных исследований Министерства обороны .

Успех связан с тем, что ученые решили уменьшить число фонетических структур, предлагаемых распознающему устройству. Для реализации этой задачи они применили так называемую "скрытую марковскую модель" (Hidden Markov Model, HMM), основанную на свойстве марковской цепи генерировать последовательность определенных детерминированных символов при переходах между некоторыми состояниями вероятностного характера (в марковском процессе параметры системы зависят только от предыдущего состояния и "не помнят" более глубокой предыстории). Имея последовательность символов, сгенерированную марковской моделью, можно однозначно восстановить породившую ее последовательность состояний,но лишь только при том условии, что каждый символ соответствует одному состоянию.

В процессе цифровой обработки речевой сигнал подвергается сначала логарифмическому, а затем обратному преобразованию Фурье, в результате чего отыскивается с десяток первых коэффициентов, несущих наиболее существенную информацию об огибающей спектральной характеристики сигнала. Собственно, современные развитые коммерческие программы распознавания речи и отличаются именно способом реализации механизма выбора из своей (или созданной пользователем) базы данных наиболее вероятного набора фонем (минимально значимых элементов, из которых состоит слово).

2.2.1              Требования к оборудованию

Вначале системы для распознавания речи реализовывались, как правило, на специализированном оборудовании и соответствующих платформах. В силу того, что требования, предъявляемые к обработке речи в реальном времени, высоки, слабые центральные процессоры были не в силах взять на себя подобную задачу. Основой компьютерного распознавания речи являлось применение предварительной цифровой обработки сигналов на внешних платах. Производители ПО для распознавания речи, даже перейдя на однопроцессорные компьютеры, некоторое время продолжали применять специальные звуковые карты и микрофоны. Например, популярная программа KurzWeil Voice еще пару лет назад требовала в обязательном порядке "свою" звуковую карту.

Модульные системы компьютерно-телефонных средств распознавания голоса, выполненные в виде плат расширения для компьютера, включают специализированные процессоры цифровой обработки звуковых сигналов (Digital Signal Processor или DSP), берущие на себя ряд операций нижнего уровня и позволяющие снизить требования к быстродействию основного процессора. Например, плата распознавания речи VR/160, поставляемая фирмой Dialogic, поддерживает до 16 каналов одновременно,причем она прекрасно работает совместно с процессором DX-486. Впрочем, Dialogic выпускает и более мощные четырехпроцессорные платы Antares с большим объемом оперативной памяти.

Минимальные требования к неспециализированным однопроцессорным компьютерам со стороны программ для распознавания речи находятся, как правило (для IBM-совместимых машин), на уровне Pentium 133 и 32 мегабайт оперативной памяти. Следует иметь в виду. что для сколько-нибудь количество памяти критично (намного лучше иметь 64 Мб), а еще более критичны параметры звуковой карты и специализированного микрофона — он должен находиться на фиксированном расстоянии и быть узконаправленным, а наилучшие результаты дает микрофон, входящий в состав микротелефонной гарнитуры.

Работа в зашумленных помещениях также, разумеется, оказывает самое негативное влияние на качество распознавания. Каждый микрофон имеет свой особый "профиль", поэтому программу требуется "обучить" не только работе с конкретным пользователем, но и с конкретным оборудованием. Подключенному к компьютеру диктофону тоже потребуется свой "профиль". Специальные микротелефонные гарнитуры поставляются вместе с известными программами распознавания речи -Via Voice Gold корпорации IBM Research, Naturally Speaking Preferred фирмы Dragon Systems и Voice Xpress (Lernout&Hauspie Speech Products).

2.2.2              Программное обеспечение, применяемое за рубежом

Функцию распознавания речи IBM не только встроила в свою операционную систему OS/2 Warp 4, известную под кодовым названием Merlin (конец 1996 г.), но и выпускает в качестве отдельного продукта. Пакет для распознавания слитной речи Via Voice от IBM отличается своей способностью с самого начала, без обучения, распознавать до 80% слов. При обучении вероятность правильного распознавания повышается до 95%, причем параллельно с настройкой программы на конкретного пользователя происходит освоение будущим оператором навыков работы с системой. Небезынтересно, что, рекламируя этот пакет, IBM утверждает, будто средняя машинистка набивает примерно 80 слов в минуту, a Via Voice достигает скорости 150 слов в минуту.

Dragon Dictate Naturally Speaking (Ньютон, шт. Массачусетс, www.drag-onsys.com) — первый коммерческий продукт для распознавания слитной речи, вышедший в начале 1997 года. Позволяет непосредственно диктовать в программы Word, WordPerfect, Netscape Navigator, Internet Explorer и приложения, причем ему доступен богатый набор управляющих команд. Пользуясь только голосом, можно исправлять и переставлять слова, выделять текст и даже менять размер шрифта и позиционировать курсор с абсолютной точностью. Первоначальная настройка на конкретный голос пользователя является обязательной, но программа способна обучаться и в процессе дальнейшего диктанта; рабочее качество распознавания может быть достигнуто спустя примерно пару недель пользования системой.

Lernout&Hauspie Speech Products (Берлингтон, шт. Массачусетс, www.lhs.com) в 1997 г. приобрела KurzWeil Applied Intelligence, основатель которой Рей Курцвайль стал в L&H главным техническим руководителем. После этого фирма получила инвестиции от Microsoft, делающей на ее продукты сярья.чную ставку, а затем выпустила Voice Commands — программу для голосового управления с развитыми возможностями. Несколько позже эта компания создала и свою систему распознавания речи Voice Xpress Plus, которая по качеству распознавания незначительно уступает Dragon Dictate Naturally Speaking, но зато при работе с офисными программами (например, с Word) реализует более "естественный" интерфейс (можно подавать команды вроде "изменить шрифт последнего предложения на Arial" или "сложить эту колонку цифр").

Технология распознавания речи достигла уже такой зрелости, что теперь стало возможным ее использование для организации полностью автоматизированных телефонных служб, способных работать в интерактивном голосовом режиме. Одно за другим появляются сообщения об успешном внедрении таких служб и о преимуществах, которые оно дает.

Фирма Charles Schwab&Co (Сан-Франциско) имеющиеся системы IVR (Interactive Voice Response — интерактивная система с голосовым ответом, подразумевающая ввод запросов через телефон с тональным набором номера)дополнила программным обеспечением, созданным на базе технологии Conversational Transaction Technology, разработанной компанией Nuance Communications (www.nuance.com).

Созданная в результате этого объединения система Voice Broker позволяет в автоматическом режиме по телефону, используя только голосовой интерфейс, получать информацию о текущих котировках акций и ценных бумаг. База данных содержит свыше 15 тысяч разновидностей ценных бумаг, и Voice Broker обеспечивает более 100 тысяч видов различных информационных запросов, учитывая, например, различные речевые формулировки названий фирм. Модуль распознавания голоса (Voice Recognition Unit, VRU) смонтирован на рабочей станции с процессором SPARC фирмы Sun и взаимодействует с несколькими блоками распознавания на машинах UltraSPARC, которые снабжают модуль VRU запрошенной информацией. Пользователь получает ответ в пределах 2 секунд. Вслед за Schwab программы для распознавания нашли свое применение в Sears, Roebuck and Co и United Parcel Service of America.

Программное обеспечение для распознавания речи фирмы Nuance Communications использует крупнейшая в Канаде дисконтная брокерская контора Toronto Dominion, запустив в эксплуатацию службу Green Line Investors, позволяющую абонентам получать по телефону информацию о биржевых котировках. Вводятся особые пользовательские "профили", на основе которых система определяет, например, следует ли зачитывать данному абоненту краткую или подробную информацию.

Программу распознавания речи Natural Dialogue System фирмы Philips Speech Processing (Вена, Австрия, www.speech.be.philips.com) использует первая канадская система автоматических "желтых страниц" (Торонто), предоставляющая информацию о местных ресторанах и способная по желанию абонента соединить его с выбранным заведением.