Распознавание человеческой речи является хорошим примером задачи, с которой человеческий мозг легко справляется, а цифровой компьютер может оказаться бессильным. Стиль речи, в котором отсутствует предварительно подготовленный текст, а также заранее не указано количество участвующих в ней называется разговорная речь. Различная дикция говорящих, неодинаковый темп речи, манера произношения, наличия акцента, а эмоциональность речи, а также другие неточности в разговорной речи вызывают сложность в распознавания разговорного языка.
Стиль речи, в котором отсутствует предварительно подготовленный текст, а также заранее не указано количество участвующих в ней называется разговорная речь. Различная дикция говорящих, неодинаковый темп речи, манера произношения наличия акцента, а также эмоциональность речи вызывают сложность в распознавания разговорного языка.
Технология распознавания речи получила большое развитие в последние годы и активно внедряется в современную жизнь. Обработка речи применяется в большом числе приложений — голосовых помощниках, автомобилях, картах и играх. Но несмотря на широкое использование данной технологии у нее остаются задачи, которые еще необходимо решить. Для последующего развития систем автоматического распознавания речи необходимо решить следующие проблемы:
1) зашумленность речевого сигнала;
2) различные акценты и произношения;
3) необходимость больших объемов словарей.
IT компании, такие как Google, Microsoft, Yandex далеко продвинулись в сфере распознавания речи. Кроме использования результатов исследований в своих продуктах, они предоставляют доступ к своим сервисам различным сторонним разработчикам.
В данной работе рассматривается решение задачи одновременного распознавания речи и личности спикера.
Актуальность данной магистерской работы состоит в том, что данное приложение позволяет произвести запись выступления спикера и в дальнейшем, с помощью распознавания голоса, перевести аудио файл в текст. Также с помощью компьютерного зрения, приложение определяет личность спикера из ранее предоставленной базы.
Уже существуют приложения способные распознавать речь, но они имеют недостатки. Например, «Dragon Professional» - программа понимает семь языков (с русским пока работает лишь мобильное приложение «Dragon Anywhere» на Android и iOS).
«Voco» - только продвинутые и дорогие варианты данной программы имеют возможность, распознавать речь из имеющихся у пользователя аудиозаписей.
Целью данной магистерской работы является создание программы, способной решить задачу одновременного распознавания речи и личности спикера, а также распознать речь в готовом аудиофайле. Работа поделена на несколько глав.
Первая глава содержит теоретические сведения о распознавании речи, а также разбор двух методов обработки звука.
Вторая глава представляет собой разбор этапов распознавания изображения.
В третьей главе описывается разработанное приложение.
В блоке «Приложение» приведен код разработанной программы.
В данной магистерской работе представлены результаты исследования методов распознавания речи и распознавания изображения. На основе исследований создан программный продукт. Во время написания программы были изучены библиотеки Speech Recognition, FaceRecognition, изучена работа сервиса Google Cloud Speech, а также изучена библиотека Tkitner для разработки графического интерфейса программы.
Разработанная программа на языке Python, реализует следующие функции:
1. Распознавание аудио и видео в режиме онлайн (без разделения говорящих);
2. Распознавание по видео;
3. Распознавание аудио (без разделения говорящих);
4. Распознавание аудио (с разделением говорящих);
5. Распознавание аудио с готового аудиофайла в формате WAV (без разделения говорящих);
6. Распознавание аудио с готового аудиофайла в формате WAV (с разделением говорящих).
Таким образом, поставленные перед магистерской работой цели были достигнуты, все задачи были выполнены.
