Голосовое управление и распознавание\сравнение речи

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

Nagdiel, вы правы=)
Взять только наши окончания и падежи)

По поводу моих целей - я хочу взять комплексно - выучить C++ по приемлимого уровня и разобраться в теме распознавания речи и образов. И если по образам достаточно много информации, то вот по речи - нет)

В будущем планирую создать приложение, которое объединит голосовое управление со слежением с камеры (жесты+голос)

Почему именно C++? Одно из требований курсовой - написание на C++, вот и все=) Да и вообще мне он как-то ближе.
Kins,
Немного не так=) Распознается не отдельный звук,а все слово целиком.Поэтому самый простой способ - сравнение слова, каторые ты же и записал (дикторозависимость) но даже сам человек одно и то же слово может говорить разными интонициями, скоростью и эмоциями. Вершина - разделение на дифтонги и трифтонги. Но представьте, какая нужна вычислительная мощь!
Так что не просто так это одна из самых сложных задач)

Добавлено через 2 минуты
Nagdiel, И еще. Я не говорил, что делаю это с наскоку. У меня есть год и я изначально просил, что бы посоветовали литературу для изучения. Я прекрасно понимаю, что нужно перерыть не одну книжку для того, чтобы осознать теорию) Так что пусть у вас не складывается ощущение, что хочу за месяц сдалать супер-распознавалку с функцией тостера=)

0

Сообщение от Vlad Pisatel Распознается не отдельный звук,а все слово целиком.

Дак вот оно- "слово" состоит из последовательности звуков, которые записываются при распозновании, тоесть присваиваются команде, независимо на каком языке. Если только исключить процесс распознования, тоесть записи последовательности звуков, то можно судить о том, что именно, как вы и говорите- ваш голос сравнивается с клеше, записанным разрабами. В противном случае клеше вы создаете сами, своей последовательностью звуков.
Это мое мнение. Оно возможно ошибочно, но мне представляется весь процесс именно так.

1

Kins, Увы и ах - процесс не такой=)
Если бы все было именно так - это рай)

Но приступая к реализации сразу можно столкнуться с жестокой реальностью - интонация, акцент, качество записи, шум и прочее. Нельзя просто сравнить две синусоиды. Они никогда не будут одинаковы. Они будут схожи. А для разных людей они просто будут иметь некоторые схожие признаки (закономерности) Вот если я все понял верно, то происходит все именно так)

0

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?

...в помощь источники Литература по ЦОС и алгоритмам (пост #1, #4, #5)

1

raxp, Второй раз выручаете=)
Спасибо, действительно литературы много, надеюсь, смогу выбрать необходимое=)

0

Kins, в этом случае слово распознается целиком. Это означает, что отсутсвуют этапы выделения отдельных фонем, их распознавания и синтеза на этой основе того слова, которое было сказано. Здесь это вобщем-то и ни к чему, так как не нужно извлекать смысловую информацию.

Vlad Pisatel,

Сообщение от Vlad Pisatel Так что пусть у вас не складывается ощущение, что хочу за месяц сдалать супер-распознавалку с функцией тостера=)

Отнюдь не складывается. Вы спросили, стоит ли начинать, я изложил свое субъективное мнение. Самое трудное здесь, на мой взгляд, выбрать правильный подход к решению задачи, который позволит получить желаемый результат. На самом деле подходов к распознаванию речи огромное множество: спектральный и кепстральный анализ, вейвлеты, скрытые марковские модели, авторегрессионные модели, нейроные сети и т.п. Думаю книги позволят сформировать необходимые базовые знания, ну а конкретно по проблеме распознавания речи лучше почитать научные статьи. Начать лучше с обзоров (review, state of art of...), помимо краткого описания и сравнения тех или иных методов в них приводят ссылки на оригинальные работы, в которых эти методы изложены.

Например:
http://arxiv.org/pdf/1001.2267.pdf
http://www.ijcaonline.org/volu... 871976.pdf
http://wcsit.org/pub/2012/vol.... oaches.pdf

1

Nagdiel, В том-то и дело, я хотел найти и вообще собрать всю информацию по поводу способов реализации данной задачи.
Спасибо большое за ссылки!

0

Вот программа "Magic Gooddy 98" в которой реализовано "Голосовое управление и распознавание\сравнение речи".

	Комментарий модератора
	Вложения удалены на основании правил форума: 5.3 Запрещено размещать любые материалы, нарушающие авторские права (без разрешения правообладателя), а также ссылки на них. Ссылка на официальный сайт http://x-translator.translate.ru/mg.asp

0

Юкио Сато - Обработка сигналов. Первое знакомство
почитай! там для детей написано, но если осилишь, то и сможешь решишть нужно это тебе или нет! там читать на недельку с нуля начиная!
не советую начинать с других книг без математической базы хотябы курса 2-3.

0

Сообщение от Nagdiel А еще в английском языке семантика проще, поэтому легче верифицировать результаты распознавания отдельных слов в составе предложения.

Прошу прощения за целых 3 смайлика))) Утроил, чтобы усилить их смысловую нагрузку)

0