@Vlad Pisatel

Доброго времени суток, друзья!
В виду того, что скоро предстоит выбирать тему курсовой работы, я решил немного активизироваться и вспомнил, что вот уже пару лет во мне тлеет мечта разработать программу, которая бы могла управлять системой при помощи человеческого голоса. Ну, это совсем глобально.
Цель сейчас - написать программу, которая распознавала бы 10-15 голосовых команд (обязательное условие - язык C++)Сроку - год)
В дальнейшем планирую не бросать и развивать проект, но пока оцениваю свои возможности более менее трезво и понимаю, что за год смогу создать только маленькую "распознавалку"=)
А теперь внимание, вопрос-просьба:
Помогите, кто чем может - советом, указаниями и т.д.
Хотя бы посоветуйте, в какую сторону начинать копать.
Допустим, с захватом голоса проблем нет, какие необходимы дальнейшие преобразования? Какие существуют алгоритмы сравнения (я знаю, что это самая сложная часть)
Да, я читал google, да я знаю (вики) о нейронных сетях и вообще немного времени посвятил изучению данной проблемы. Но это все очень разбросанно и поверхностно)
Может, кто-то посоветует хорошие книжки?Или ваш собственный опыт?

0

Bringoff

Начать можно со статьи на хабре. Точнее, в этой статье есть ссылки на пару статей, которые стоит прочитать, а потом смотреть на ту статью, на которую я даю ссылку.
Если хочется готовенького, то в винде есть SpeechAPI. Но он не поддерживает русский.

1

@Vlad Pisatel

Izobara, статью, конечно же читал)
Проблема в том, что SpeechAPI только Апи)Да и русского нет совсем)
Да и не хотелось бы готового решения) С тем же успехом можно и просто приложение готовое скачать)
Суть же в том, чтоб самому написать, почитать литературу и разобраться в вопросе)

0

Bringoff

Хм... Ну, раз хотите смотреть в корень, то читайте:
Speech Separation by Humans and Machines, Kluwer Academic Publishers, 2005
Young, S., A Review of Large-Vocabulary Continuous Speech Recognition, IEEE Signal
Processing Magazine

0

@taras atavin

. Как система узнает, что команда произнесена именно легальным пользователем? Сопоставление голоса? Допустим. В криминалистике уже применяются такие алгоритмы и для них они достаточно надёжны. Но у подсистемы защиты другая задача. Может голос пользователя записан на плёнку? Может он учил другого пользователя, а потом его фразы вырваны из контекста? Надо убедиться в том, что команда дана легальным пользователем, здесь, в данный момент времени и он обращался не к соседнему компьютеру. Целесообразен вынос на голос отдельных функций приложения, но глобальное управление всей системой с голоса нельзя делать раньше, чем система пройдёт тест на интеллект. Или для машин, чьи микрофоны будут расположены в хорошо охраняемых местах и которые сами полностью контролируют всё воспроизведение звуков. Например, в кабине самолёта, чей ангар запирается, или в рубке корабля. А так диктовка текста, управление чатом без административных полномочий...

Добавлено через 3 минуты
Для сопоставления голоса строй спектр, логарифмируй его и снова спектр, потом сравнение с эталоном. Это в общих чертах криминалистический алгоритм голосовой экспертизы, так что случайной реакции на голоса посторонних не должно быть даже при кривой реализации. Но это сравнение именно голосов, а не фраз.

0

@Vlad Pisatel

taras atavin, Вы знаете, мечта - это мечта=) Я же в свою очередь сейчас просто спрашиваю о дикторозависимой системе распознавания 10-15 команд, которую я сам и обучу ( т.е. образ-пример голосов будет мой)

Разумеется, в перспективе, необходимо будет авторизовывать пользователя, но это явно не для меня сегодняшнего)
Вопрос не в сравнении голосов, а в сравнении фраз..наверное)

Добавлено через 37 секунд
Izobara, спасибо большое, а на русском есть что-то?)
Не то чтоб я не знал английского, но времени займет раза в 3 больше(

Добавлено через 1 минуту
taras atavin, кстати, а что вы скажете на то, чтобы система просила прочитать человека рандомную фразу? Это избавит от необходимости следить, не диктофон ли говорит)

0

Bringoff

Лично я не встречал. Это довольно серьезная тема, и боюсь, чего-то сколь-нибудь серьезного на русском Вы не найдете. Привыкайте читать на английском - мне понравилось

Добавлено через 1 минуту
Орригинально... Правда, человек замучается, плюнет и начнет работать мышкой, по-старинке.

1

@Vlad Pisatel

Izobara, фразой может стать день недели, время...что-то обыденное, а не hjksdk323Gjkkj=))))))
Легкий математический пример)
В общем, проблема авторизации откладывается в любом случает)

0

@taras atavin

Речь не об авторизации, а о том, что постороннего вообще не должно быть рядом с микрофоном, чтоб диктофон не включил на воспроизведение. О том, что всё воспроизведение звука с диска должны конролировать сами компьютер и пользователь, всё ради тоже через компьютер, а магнитофона рядом быть вообще не должно. А авторизация может быть реализована с самого начала, это как раз проще, чем распознавание фраз.

Добавлено через 1 минуту
Либо выносить на голос только те команды, которые много не напортят. Либо сам компьютер должен быть разумен.

0

@Vlad Pisatel

Проект J.A.R.V.I.S.?))
Пока все равно речь не о том=) А про "Музыка, стоп, интернет, который час" и т.д) Нужно с чего-то начать)

0

@vital792

у меня есть небольшая подборка книг на русском, посвященная синтезу/распознаванию речи
книги старые, но в плане алгоритмов с тех пор особо ничего не изменилось Если что понадобится обращайтесь, хотя все их можно найти в сети.

Добавлено через 23 минуты
и да, тут на форуме тоже отличная подборка: Литература по ЦОС и алгоритмам

1

@Vlad Pisatel

vital792, Спасибо за список=)
Вообще скажите, стоит ли за это браться начинающему?)

0

Bringoff

Я когда-то взялся писать браузер на дельфи. Тоже решил попрактиковаться. Так после нескольких месяцев мучений я смотреть не мог на код. Но это ИМХО. Если хотите, можете начать. Но я бы советовал заняться распознаванием текста - информации больше, наработки есть, в случае чего можно обратиться за помощью. Да и покопаться в коде готовых решений...

0

@Vlad Pisatel

Izobara, Честно говоря я тоже немного посматриваю в сторону распознавания изображений (контурный анализ)...там и openCV хорошая есть) И вообще жить проще...

0

@Nagdiel

Мое мнение - не стоит. Особенно если нет серьезных познаний в области цифровой обработки сигналов и теории статистических решений. Как вы думаете, если всё так просто, то почему мы до сих пор вводим тексты с клавиатуры вместо того, чтобы их надиктовывать? А ведь корпорации тратят большие деньги на исследования в области распознавания речи.

0

@Kins

Поидее, если заступорились, то стоило отложить проект до "лучших времен", или ненадолго попросту. Ведь умные люди советуют: "утро вечера мудренее..", и со временем пришл бы ответ, или новое решение проблемы, может не скоро, но всеже пришло.)

Ну каждому свое, надо ведь развиваться, интересоваться все новым и новым, а не выучить одно и медленно начинать деградировать.))

вранье все это, хотели бы- сделали, ну или уже сделали, только не распространяются об этом, взять хотя бы Kinect - в нем вроде реализовано простое голосовое управление- читал просто где-то когда-то про это.)

0

@Vlad Pisatel

Kins, С английским-то легче=) И Api от мелкомягких есть...и вообще тема у них актуальна. А вот с русским - провал(

0

@Kins

А в чем отличие звуков английского языка от русского? Я не про слова, а про звуки.

0

@Nagdiel

Полностью поддерживаю! Я однако хотел сказать, что такие задачи с наскоку не решаются. Да и не очень понятно, какова цель ТС - то ли выучить С++, то ли разобраться с основами распознавания речи. Во всяком случае С++ не лучший выбор для исследования и разработки подобных алгоритмов (именно для разработки, а не для реализации), уж лучше тогда использовать matlab, в котором есть мощные библиотеки по ЦОС, ИНС, статистике и пр.

Все верно, есть кое-какие наработки, есть зачатки голосового управления в различных устройствах, однако эти вещи еще далеки от широкого практического использования.

Сомневаюсь, что компьютеры речь по отдельным буквам (звукам) распознают. Алгоритм распознавания, как правило, обучают на специально подготовленных базах. И думается, что таких баз на английском языке гораздо больше, и их качество скорее всего лучше.

Добавлено через 3 минуты
А еще в английском языке семантика проще, поэтому легче верифицировать результаты распознавания отдельных слов в составе предложения.

0

@Kins

Думаю, что разрабам не составило бы труда поменять включение/выключение освещения в доме с хлопка на слово "свет", да так скорее всего и было изначально, а во всем виновата лень, ибо хлопать легче, чем говорить.)


Ну мне кажется, что по звукам распознование, из групп звуков строятся зависимости, и уже реализуются как команды.

Добавлено через 6 минут
Голосовое управление контактами в сотовых телефонах, быстрый вызов, распознается по звукам, тоесть определенная последовательность звуков закрепляется за определенным контактом.

0