Автоматизированное распознавание речи

При автоматическом распознавании  речи, прежде всего, следует выяснить, является ли сигнал в действительности фонетическим (речевым). Известно деление  речевого потока на микро- и макросегменты. Разграничение между двумя макросегментами (фразами синтагмами) носит, как правило, дискретный характер, а между двумя  микросегментами (субзвуками, звуками, слогами) - стертый. Звуки изменяют свои супрасегментные (длительность, интенсивность, частота основного тона) и сегментные (спектральные) характеристики в соответствии с влиянием единиц других ярусов. Например, увеличение длительности гласной в  речевом потоке может указывать  на семантическую выделенность слова, положение ударения относительно этой гласной, информацию о предшествующей и последующей фонемах и т. д. Следовательно, для предсказания, например, длительности звука, следует учитывать ряд лингвистических факторов.

Знание сочетаемости фонем  на стыках слов играет также не последнюю  роль при восприятии речи. Разграничительные  средства звучащей речи представляют собой сложное явление, состоящее  из самых различных компонентов, связанных с фонотактическими особенностями, синтактико-семантическими факторами, ритмикой формирования речевого высказывания.

Следует остановиться на некоторых  проблемах сегментации, связанных  со спецификой фонетического уровня. К числу трудностей может быть отнесено автоматическое распознавание  назальных и плавных фонем  слитной речи. Неопределенности, возникающие  из-за ограничений любой системы  обработки речи и часто из-за плохого  произношения, рассматриваются как  источники информации для стохастической грамматики или грамматики неопределенного  множества.

Имеющиеся в настоящее  время способы микросегментации речи (сегментации на субзвуки, звуки, слоги) можно классифицировать следующим образом:

- использование степени стабильности во времени каких-либо акустических параметров речевого сигнала, таких как концентрация энергии в частотном спектре;

- накладывание акустических меток на речевой сигнал через регулярно повторяющиеся короткие интервалы;

- сравнение выборок речевого сигнала в коротких временных окнах при регулярных интервалах с выборками из фонем-прототипов.

Различают контекстно-зависимые  и контекстно-независимые методы сегментации. Самым простым методом  контекстно-независимой маркировки является сопоставление эталонов. Для  этого необходимо, чтобы в запоминающем устройстве для каждой возможной  словарной единице хранилось  модель. Контекстно-зависимая сегментация  допускает связь используемого  множества признаков и порогов  с фонетическим контекстом.

Для решения проблемы сегментации  звучащей речи большое значение имеет  обращение к слогу. При этом в  современной лингвистике условно  разграничиваются фонетический и фонологический типы слога.

При определении, разграничении  и определении слога необходимо использовать фонологические критерии. В наиболее общих терминах слог - это речевой сегмент, состоящий  из ядра, т.е. гласного (или слогообразующего согласного) и артикуляторно связанных с ним соседних согласных. Слог дает возможность выхода как на более низкий звуковой, так и на более высокий языковой ярус с использованием информации фонотактических особенностей формирование морфем, слов. Большинство способов сегментации на слоги основано на изменениях общей (суммарной) интенсивности сигнала, т.е. энергии. Поскольку теоретически каждый слог должен содержать только один гласный, а гласные обычно имеют преобладающую интенсивность по сравнению с окружающими согласными, можно предположить, что большинство локальных максимумов - гласные. Очевидно, что слоговые границы находятся в минимальной точке между двумя максимумами. Однако этот подход наталкивается на сложность, т.к. при наличии, например, сонанта могут появляться ложные максимумы.

Сегментация может проводиться  в два этапа: на слоги, а затем  на звуки, их составляющие, в результате чего уточняются границы между слогами. Соотношение между сегментами по ряду параметров позволяет выявить  внутреннюю структуру слоговой единицы.

В фонетике точка зрения на акустическую выделенность границ фонетического слова (ритмической  структуры) претерпела ряд изменений. Полное отрицание акустических границ слова сменилось утверждением о  том, что при определении границ фонетического слова в потоке речи вполне реально опираться на объективные критерии: акустические характеристики звуков на стыке фонетических слов и их аллофоническую вариативность. При разграничении речевого потока на фонетические слова привлечение  акустических характеристик стыковых звуков необходимо во всех случаях: как  без паузы, так и при наличии  последней.

Вероятность появления паузы  в речи зависит от характера сочетаний  звуков ритмической структуры соседних слов (например, если первое слово кончается  ударным слогом, а следующее за ним начинается также с ударного, то появление между этими словами  паузы более вероятно, чем в  том случае, когда за ударным слогом первого фонетического слова  следует безударный слог второго  фонетического слова) и места  рассматриваемого стыка во фразе.

В потоке речи определение  границ фонетического слова сопряжено  с рядом трудностей, возникающих  в связи с принадлежностью  высказывания к стилю произношения и типу произнесения; позицией фонетического  слова в тексте, синтагме и фразе.

Одни реализации границ фонетических слов действительно имеют свои акустические признаки, другие их не имеют. Задача не должна ограничиваться исключительно  поиском физических и слуховых признаков  соседних звуков, а должна быть направлена на определение иерархии (соподчинения) этих признаков.

Информация об ударении, несомненно, также используется для  определения числа фонетических слов в сообщении. Важнейшей информацией, однако, используемой человеком при  членении речевого потока, является информация о типах наиболее частотных фонетических слов (ритмических структур). При  членении слитной речи на семантически значимые отрезки используется информация различных языковых уровней - от фонологического  до семантического. При разработке программ для автоматического членения текста эта информация (о типах  ритмических структур, числе и  степени ударения и т.д.), безусловно, должна быть принята во внимание. Однако в слитной речи возникают двусмысленные  языковые ситуации, декодирование которых  может быть осуществлено с привлечением дополнительной информации об акустических признаках членения. Стыковые гласные  и согласные обладают определенными  акустическими признаками, изменение  которых зависит от характера  связи между ними.

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.

1.2 История создания и разработки автоматизированных систем распознавания речи

Соединенные Штаты Америки, конец 60-х годов XX века: «Три», — сказал Валтер Кронкит (Walter Cronkite), ведущий научно-популярной программы «XXI век», во время демонстрации новейших разработок в области распознавания речи. Компьютер распознал это слово как «четыре». «Идиот», — пробормотал Валтер. «Этого слова нет в словаре», — ответил компьютер.

Хотя первые разработки в  области распознавания речи относятся  еще к 1920-м годам, первая система  была создана только в 1952 году компанией  Bell Laboratories (сегодня она входит в состав Lucent Technologies). А первая коммерческая система была создана еще позже: в 1960 году IBM объявила о разработке такой системы, но на рынок программа так и не вышла.

Затем, в 1970-х годах, авиакомпания Eastern Airlines в США установила дикторозависимую систему отправки багажа: оператор называл пункт назначения — и багаж отправлялся в путь. Однако из-за количества допущенных ошибок система так и не прошла испытательный срок.

После этого разработки в  данной области если и велись, то достаточно вяло. Даже в 1980-х годах  реальных коммерческих приложений с  использованием систем распознавания  речи было довольно мало.

Сегодня в этом направлении  работают уже не десятки, а сотни  исследовательских коллективов  в научных и учебных заведениях, а также в крупных корпорациях. Об этом можно судить по таким международным  форумам ученых и специалистов в  области речевых технологий, как ICASSP, EuroSpeech, ICPHS и др. Результаты работы, на которую, как у нас образно говорят, «навалились всем миром», трудно переоценить.

Уже в течение нескольких лет голосовые навигаторы, или  системы распознавания команд, успешно  применяются в различных областях деятельности. Например, call-центр OmniTouch, поставленный Ватикану компанией Alcatel, использовался для обслуживания мероприятий, проходивших в рамках празднования 2000-летия Христа. Паломник, звонивший в call-центр, излагал свой вопрос, и система автоматического распознавания речи «выслушивала» его. Если система определяла, что вопрос задан по часто встречающейся теме, например о расписании мероприятий или адресах гостиниц, то включалась предварительно сделанная запись. При необходимости уточнить вопрос предлагалось речевое меню, в котором голосом надо было указать один из пунктов. Если же система распознавания определяла, что предварительно записанного ответа на заданный вопрос нет, то происходило соединение паломника с оператором-человеком.

В Швеции не так давно  была открыта автоматическая телефонная справочная служба, использующая программу  распознавания речи компании Philips. За первый месяц работы службы Autosvar, которая начала действовать без официального объявления, ее услугами воспользовались 200 тыс. клиентов. Человек должен набрать определенный номер и после ответа автоматического секретаря назвать интересующий его раздел информационного справочника.

Новая услуга предназначена  в основном для частных клиентов, которые предпочтут ее из-за значительно  меньшей стоимости услуг. Служба Autosvar является первой системой такого рода в Европе.

Даже в медицине технология распознавания голоса нашла свое место. Уже разработаны аппараты осмотра желудка, послушные голосу врача. Правда, эти аппараты, по словам специалистов, пока еще несовершенны: у них замедленная реакция  на приказы врача. Но все еще впереди. В Мемфисе VA Medical Center вложил 277 тыс. долл. в программу Dragon, позволяющую врачам и медсестрам надиктовывать информацию в базу данных компьютера. Вероятно, скоро не нужно будет мучиться, чтобы разобрать в медицинской карте почерк врача.

Уже сотни крупных компаний используют технологию распознавания  голоса в своей продукции или  в услугах; в их числе — AOL, FedEx, Honda, Sony, Sprint, T. Rowe Price, United Airlines и Verizo. По оценкам экспертов, рынок голосовой технологии достиг в 2002 году порядка 695 млн. долл., что на 10% выше, чем в 2001 году.

Авиакомпания United Airways внедрила автоматическую справочную службу еще в 1999 году. Автоматические системы обработки телефонных звонков эксплуатируются такими компаниями, как инвестиционный банк Charles Schwab & Co, розничная сеть Sears, сеть супермаркетов Roebuck. Американские операторы беспроводной связи (AT&T Wireless и Sprint PCS) уже больше года используют подобные программы и предоставляют услуги голосового набора. И хотя сейчас лидером по количеству call-центров такого типа является Америка, в последнее время выгоду от систем распознавания речи начали осознавать и в Европе. Например, швейцарская служба железных дорог уже предоставляет своим немецкоязычным пассажирам услуги, аналогичные тем, что предлагает United Airways.

Следующим шагом технологий распознавания речи можно считать  развитие так называемых Silent Speech Interfaces (SSI) (Интерфейсов Безмолвного Доступа). Эти системы обработки речи базируются на получении и обработке речевых сигналов на ранней стадии артикулирования. Данный этап развития распознавания речи вызван двумя существенными недостатками современных систем распознавания: чрезмерная чувствительность к шумам, а также необходимость четкой и ясной речи при обращении к системе распознавания. Подход, основанный на SSI, заключается в том, чтобы использовать новые сенсоры, не подверженные влиянию шумов в качестве дополнения к обработанным акустическим сигналам.

2. Применение автоматизированных  систем распознавания речи.

2.1 Проблемы применения  систем распознавания речи

С одной стороны, тема автоматического распознавания речи 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 концептуальные вопросы, вставшие еще перед родоначальниками речевого ввода. Первый и, пожалуй, основной 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 не способствует широкому внедрению речевого интерфейса.