Rozpoznawanie mowy

Rozpoznawanie mowy (ang. speech recognition) – dziedzina informatyki i przetwarzania sygnałów, której celem jest automatyczne przetwarzanie ludzkiej mowy na zapis tekstowy lub inne formy danych cyfrowych. Systemy rozpoznawania mowy wykorzystują techniki sztucznej inteligencji, uczenia maszynowego oraz przetwarzania sygnałów akustycznych.

Definicja i zakres

Rozpoznawanie mowy obejmuje kilka etapów:

przechwycenie sygnału dźwiękowego przy użyciu mikrofonu,
przetworzenie sygnału na postać cyfrową (analogowo-cyfrowa konwersja),
ekstrakcję cech akustycznych (np. parametry mel‑frequency cepstral coefficients – MFCC),
modelowanie językowe i akustyczne,
decyzję o najbardziej prawdopodobnym ciągu słów.

Historia

Początki rozpoznawania mowy sięgają lat 1950 i 1960, kiedy to powstały pierwsze systemy oparte na regułach fonetycznych. Przełom nastąpił w latach 70. XX wprowadzeniem modeli ukrytych łańcuchów Markowa (HMM). Od 1990 roku rozwój mocy obliczeniowej oraz dostępność dużych zasobów danych mowy umożliwiły stworzenie systemów komercyjnych, takich jak Dragon NaturallySpeaking czy IBM Voice Type. Od 2000 roku dominują sieci neuronowe, a od 2010 roku – głębokie sieci neuronowe (deep learning), które znacznie podniosły dokładność rozpoznawania.

Techniki i modele

Współczesne systemy rozpoznawania mowy wykorzystują różne podejścia:

Modele akustyczne – najczęściej głębokie sieci neuronowe typu CNN, RNN lub Transformer.
Modele językowe – statystyczne n‑gramy oraz nowoczesne modele językowe oparte na architekturze Transformer (np. BERT, GPT).
Metody hybrydowe – łączenie klasycznych HMM z sieciami neuronowymi (tzw. Hybrid ASR).
Adaptacja mowy – techniki dostosowujące model do konkretnego użytkownika lub warunków akustycznych (adaptacja mówiącego).

Zastosowania

Rozpoznawanie mowy znajduje zastosowanie w wielu dziedzinach:

asystenci głosowi (Siri, Google Assistant, Alexa),
systemy transkrypcji i napisów wideo,
interfejsy dla osób z niepełnosprawnościami,
systemy telekomunikacyjne (automatyczna obsługa klienta, IVR),
diagnostyka medyczna (analiza mowy w chorobach neurologicznych),
kontrola pojazdów i robotyka.

Wyzwania

Mimo postępu, wciąż istnieją istotne problemy:

Rozpoznawanie w hałasie – konieczność separacji sygnału mowy od dźwięków otoczenia (szczególna odporność na szum).
Różnorodność akcentów, dialektów i języków,
Problemy prywatności i bezpieczeństwa danych głosowych,
Wysokie wymagania obliczeniowe przy działaniu w czasie rzeczywistym,
Rozpoznawanie mowy emocjonalnej i intonacji.

Przyszłość

Rozwój technologii edge computing oraz dalsze udoskonalenia w dziedzinie uczenia samonadzorowanego mogą umożliwić bardziej efektywne i prywatne systemy rozpoznawania mowy. Przewiduje się także integrację rozpoznawania mowy z rozszerzoną rzeczywistością i Internetem rzeczy, co pozwoli na naturalniejsze interakcje człowiek‑maszyna.

Bibliografia

J. Huang, A. Acero, H.-W. Hon, Spoken Language Processing: A Guide to Theory, Algorithm, and System Development, Prentice Hall, 2001.
A. Graves, N. Jaitly, Towards End-to-End Speech Recognition with Recurrent Neural Networks, In Proc. ICML, 2014.
D. Yu, L. Deng, Automatic Speech Recognition: A Deep Learning Approach, Springer, 2015.
W. Xie, et al., Deep Speech 2: End-to-End Speech Recognition in English and Mandarin, In Proc. NIPS, 2016.
J. Liao, et al., PyTorch-Kaldi: An Open-Source Toolkit for Speech Recognition, In Proc. INTERSPEECH, 2019.

Linki wewnętrzne

Powiązane pojęcia: Sztuczna inteligencja, Uczenie maszynowe, Przetwarzanie języka naturalnego, Ukryte modele Markowa, Transformer, Edge computing.