Nutqni tanishda sphinx tizimini qo’llashning ahamiyati

Ushbu maqolada nuqtni tanishning online API lari, ularning imkoniyatlari va kamchilik tamonlari, nuqtni tanish tizimlarida offline ishlovchi Sphinx tizimidan foydalanishning afzallik tamonlari to’g’risida so’z yuritilgan.

Kalit so’zlar: nuqtni tanish, Sphinx, PocketSphinx, mobil qurilmalar, nuqt ovozlari grammatikasi,

В данной статье речь идёт об использование API распознающий речей, система Sphinx работающий не используя интернет, их возможности, преимущества и недостатки использования таких систем на проект.

Ключевые слова: распознавания речей, PocketSphinx, мобильные устройства, грамматика речевых сигналы.

In this article is talking about the use of the API recognizing speeches, the Sphinx system working without using the Internet, their capabilities, advantages and disadvantages of using such systems for the project.

Key words: Speech recognition, PocketSphinx, mobile devices, grammar of speech signals.

Zamonaviy axborot texnologiyalari bugungi kunda jamiyatda alohida ahamiyatga ega. Boshqa ilmiy-texnik yutuqlardan informatika va hisoblash texnikasining farqi shundaki, ular inson aqliy faoliyatining barcha sohasida foydalanilib, ilmiy-texnik jarayonlar taraqqiyotiga targ’ib etiladi. Keyingi vaqtlarda asosiy e’tibor inson va mashinaning nuqt orqali interfeysini avtomatlashtirishga alohida e’tibor qaratilmoqda. Bu jarayon ham izlanuvchilarni, ham foydalanuvchilarni birdek qiziqtiradi. Odamlar uchun muloqatning tabiiy va eng oddiy usuli bu og’zaki nutq orqali muloqat qilish usuli hisoblanadi. Shuning uchun muloqat texnologiyalari robototexnikada, kompyuter qurilmalarini boshqarishda, telekommunikatsiya tizimlarida keng foydalaniladi.

1) Mobil qurilmalar uchun mo’ljallangan dasturlarni ovoz orqali boshqarishda.

2) Imkoniyati cheklangan odamlar uchun shaxsiy kompyuter va inson o’rtasida muloqat tashkil qilishda.

3) Aqilli uylarni tashkil qilishda.

Mobil qurilmalarda qo’llanilishiga ehtiyojning sabababi unda kiritish qurilmalari (klaviatura, sichqoncha, ekran) orqali ishlashning qiyinchiligidadir. Shu bilan birga ovoz orqali kiritish uchun eng qulay vosita ham mobil qurilmalari hisoblanadi. Chunki mobil qurilmalari eng asosiy qurilmalar(asosan mikrofon) bilan ta’minlangan va internetga ulanish oson.

Nutqni tanish tizimining nutqni avtomatik nanishdan iborat. Foydalanuvchi biror so’zni aytganda tizim uni textga aylantirish lozim. Agar tizim buyruq bajaradigan bo’lsa, u holda shu textga mos buyruqni bajarishi kerak. Undan tashqari nutqni tanish tizimi nutqni biror aniqlangan tilda amalga oshiradi. Shuning uchun oldindan qaysi tilda aytmoqchiligini foydalanuvchi o’zi ko’rsatishi, yoki tizim qaysidir bir tilda ishlashi lozim.

Internet orqali ishlovchi Google Voice API va Yandex SpeechKit tizimlari bo’lib, ular hozirda ko’plab dasturlarda qo’llanilib kelinmoqda. Ularning afzallik tamonlari istalgan sohaga oid nutq tovushlarini yuqori aniqlikda matnga aylantiradi. Undan tashqari yaratilgan tayyor API lar orqali internet orqali foydalanish mumkin.

Qandaydir sohani oladigan bo’lsak, bu sohadagi so’zlar soni ko’pincha chekli bo’ladi yoki juda oz bo’lishi mumkin. Google Voice API, Yandex SpeechKit va boshqa shunga o’xshash tizimlarning barcha so’zlar bazasidan aytilgan so’zga eng yaqinini izlab topadi. Bazadagi so’zlar ko’p bo’lganligi sababli aytilgan so’zni o’rniga unga yaqin boshqa so’zni topish holatlari bo’lishi mumkin. Ko’pchilik dasturlarda ishlatiladigan buyruqlar chekli bo’ladi va internet tarmog’isiz ishlashni talab qiladi. Masalan kalkulyator dasturni oladigan bo’lsak unda faqat sonlar va amallar ishlatiladi. Unda aytilgan so’zlarni faqat oz so’zlar to’plamidan izlash yetarli. Bunday tizimlar uchun Sphinx tizimi eng yaxshi hisoblanadi.

Sphink (SQL Phrase Index) — Carnegie Mellon Universitetida ishlab chiqilgan bo’lib nuqtni tanish tizimlarini bir guhuhini o’z ichiga oladi. Bular o’z ichiga birnecha nuqtni tanuvchilar(Sphinx 2–4) va akustik modelni o’z ichiga oladi. 2000 yilda Carnegie Mellon da Sphink guruhi birnetcha nutqni tanish ochiq kodli tizimlari ishlab chiqdi. Sphinx 4 nutqni tanish sohasida mukammallikni ta’minlash maqsadida ishlan chiqilgan framework bo’lib, Java dasturlash tilida yaratilgan [2].

CMUSphinx har xil akustik tizimlarini qo’llab quvvatlaydi: davomiy, yarim-davomiy va bog’langan fonetik. Akustik model models modulida yaratilgan. Har bir til uchun alohida akustik model yaratilishi lozim. digits.gram faylida barcha izlatiladigan so’zlar va ularning grammatikasi beriladi. Masalan tizim faqat raqamlar bilan ishlaydigan bo’lsa u holda quyidagicha grammatika yoziladi:

= ноль | один | два | три | четыре | пять | шесть | семь | восемь | девять;