Nutqni tanib olishni ochiq manbali dasturlari tahlili

Аннотация

Mazkur maqolada ochiq manbali nutqni tanib olish texnologiyalari tahlili keltirilib, unda ularning foydalanish imkoniyatlari baholangan va ushbu tadqiqot doirasidagi tahlillar nutqni aniqlash tizimlarining kelajagini shakllantirishda ochiq manbali tizimlar ta'siri yoritilgan. Kalit soʻzlar: TTS texnologiyasi, nutq sintezi, tizim, model, dasturlash tili, matn. Matndan nutqqa yoki nutq sintezi - bu so‘zlarni taniydigan va inson nutqini shakllantiradigan matndan sun’iy ravishda yaratilgan inson sifat tovushli nutqdir. Dastlabki Text-to-Speech tizimi 1968 yilda Yaponiyadagi Elektrotexnika laboratoriyasida Noriko Umeda va boshqalar tomonidan dunyoga taqdim etilgan. 1961 yilda fizik Jon Larri Kelli va uning hamkasbi Lui Gerstman IBM 704 kompyuteridan nutqni sintezlash uchun foydalanishdi, bu Bell Laboratoriyalari tarixidagi eng mashhur voqeadir. TTS ilovalari yoki Text-to-Speech ilovalari yozma matnni og‘zaki so‘zlarga aylantirish uchun nutq sintezidan foydalanadigan dasturiy ilovalardir. TTS ilovalari ko‘plab afzalliklarga ega [1]. Masalan, TTS ilovalari avtomobil haydash, mashq qilish yoki vizual e’tiborni talab qiladigan boshqa harakatlar bilan shug‘ullanayotganda yoki maqolalar, kitoblar va boshqa yozma materiallarni o‘qishda foydalanish mumkin. Bundan tashqari, TTS ilovalari yangi tilni o‘rganayotgan yoki talaffuzini yaxshilashga harakat qilayotganlar uchun juda foydali hisoblanadi. Ular matnni bir necha tilda o‘qish uchun moslashtirilishi mumkin, bu esa til o‘rganuvchilarga nutq qobiliyatlarini mashq qilishni osonlashtiradi. Shuningdek, foydalanuvchilar TTS ilovasining tezligini, ohangini va talaffuzini shaxsiy ehtiyojlariga moslashtirishi mumkin. TTS ilovalari asosan inson va mashina o'rtasidagi aloqani simulyatsiya qilishda masalan, dasturlarni ovozli boshqarishda foydalaniladi. Operatsion tizimlarning katta qismi xususiy mahsulotlardir, ya'ni foydalanuvchi yoki potentsial ishlab chiquvchi ularning manba kodiga kirish huquqiga ega emas. Bu nutqni tanib olish tizimlarini ochiq kodli loyihalarga integratsiya qilish qobiliyatiga salbiy ta'sir ko’rsatadi. Ochiq manbali nutqni tanib olish tizimlarini ijobiy va salbiy tomonlarini tavsiflovchi markazlashtirilgan ma'lumotlar manbai ham mavjud emas. Natijada, muammoni hal qilishda nutqni optimal tanib olish tizimini tanlash muammosi yuzaga keladi [2]. Tadqiqotning maqsadi tijorat yoki tadqiqot faoliyati uchun tizimni tanlashda xarajatlarni kamaytirish uchun ochiq manbali nutqni tanib olish tizimlaridan foydalanish bo'yicha hamda matnni nutqga o’tkazishda tavsiyalarni ishlab chiqishdan iborat. 110 CMU Sphinx, HTK, iAtros, Julius, Kaldi va RWTH ASR tanlangan tizimlar tanib olishning aniqligi va tezligi, foydalanish qulayligi va ichki tuzilishi kabi ko'rsatkichlar bo'yicha taqqoslandi. CMU Sphinx. Ushbu tizimning kuchli tomoni shundaki, bepul kirishda ushbu tillarning til va akustik modellari mavjud. Qo'llab-quvvatlanadigan tillar orasida standart ingliz tilidan tashqari, rus, qozoq va boshqa bir qator tillar ham mavjud. CMU Sphinx BSD litsenziyasi ostida tarqatiladi, bu uning tijorat loyihalariga integratsiyalashuviga imkon beradi. Ushbu tizim tijorat loyihalarida qo'llanilishi mumkin, chunki u Kaldi-ning ko'pgina afzalliklariga ega, garchi u tanib olish aniqligini biroz yomonroq ta'minlasa ham, shuningdek, ushbu tizim asosida uchinchi tomon ilovalarini yaratish uchun ishlatilishi mumkin bo'lgan API-ni taqdim etadi. HTK. Bu tizim faqat ingliz tilini qo'llab-quvvatlaydi. Tizimning manba kodini tarqatish imkonini beruvchi HTK litsenziyasi ostida tarqatiladi. iAtros. Tizmidan foydalanish qulayligi nuqtai nazaridan, iAtros tadqiqot davomida tekshirilgan barcha tizimlardan past. Ushbu tizim standart tillar ingliz va ispan tillarida qo'llab-quvvatlanadi. Ushbu tizimning kamchiligi faqat Linux oilasining operatsion tizimlarida ishlaydi. GPLv3 litsenziyasi ostida tarqatiladi, bu esa ushbu tizimni tijorat loyihalariga manba kodini oshkor qilmasdan integratsiya qilish imkonini bermaydi, bu o’z navbatida uni tijorat maqsadlarida foydalanish uchun yaroqsiz qiladi. Julius. Bu tizim C tilida amalga oshirilgan. Tizim konsol interfeysi va uchinchi tomon ilovalariga integratsiya qilish uchun API taqdim etadi. Julius ingliz va yapon tillarini qo'llab-quvvatlaydi. BSD-ga o'xshash litsenziya ostida tarqatiladi. Julius tizimi ta'lim faoliyati uchun ham tavsiya etilishi mumkin, chunki u HTK ning barcha afzalliklariga ega, shuningdek, yapon tili kabi ekzotik tilni tanib olish imkoniyatini beradi. Kaldi. Bu tizim akustik signal xususiyatlarining hajmini kamaytirish va shunga mos ravishda tizim ish faoliyatini oshirish uchun ko'plab algoritmlardan foydalanishga imkon beradi. Kaldi C++ dasturlash tilida yozilgan bo'lib, tizim tezligiga ijobiy ta'sir ko'rsatadi va modulli tuzilishga ega bo'lib, tizimni qayta tiklash, yangi funksiyalarni qo'shish va mavjud xatolarni tuzatishni osonlashtiradi. Kaldi faqat konsol interfeysini taqdim etadi, bu esa uchinchi tomon ilovalariga integratsiyani murakka