یکی از کارآمدترین ابزارهای مبادله اطلاعات برای بشر گفتار است. انسان امروزی همواره در این آرزو بوده است که بتواند به روشی برای کنترل محیط و ارتباط با ابزارها و ماشین ها از طریق این ابزار کارآمد یعنی گفتار دست یابد.
از این رو در سال های اخیر تولید سیستم های تشخیص و بازشناسی گفتار در بسیاری از مراکز تحقیقاتی در سطح دنیا مورد توجه قرار گرفته است. با توجه به اهمیت این سیستم ها در طراحی و ساخت نسل آینده ابزارهای ارتباطی، طراحی سیستم های پیشرفته در بازشناسی گفتار مورد توجه گروهی از پژوهشگران قرار گرفته است.
پژوهشگران دانشکده مهندسی دانشگاه صنعتی امیرکبیر از دستیابی به روش جدیدی برای بهبود عملکرد سیستم های بازشناسی گفتار در سامانه های هوشمند خبر داده اند که براساس آن می توان نرم افزارهایی را برای فراهم ساختن امکان استفاده از شیوه ارتباطی جدیدی در تلفن های همراه و کامپیوترها بدون نیاز به موس و صفحه کلید طراحی کرد.
با مهندس کامران قاصدی دانش آموخته کارشناسی ارشد مهندسی پزشکی و مجری این طرح درباره سیستم های بازشناسی گفتار و امکانات مختلف این سیستم ها گفت وگو کرده ایم که در ادامه آن را می خوانید.
بازشناسی گفتار در حوزه ارتباطات هوشمند بین انسان ها و سیستم های کامپیوتری چه جایگاهی دارد؟
مهم ترین هدف بازشناسی گفتار کمک به حذف وسایل ارتباطی واسطه نظیر موس و صفحه کلید در کامپیوترها و تلفن های همراه است. یعنی به کمک آن می توان ابزارهای ارتباطی را از طریق گفتار تحت کنترل قرار داد. با توجه به کاربردهای فراوانی که بازشناسی گفتار دارد، نقش اساسی این فناوری در حوزه ارتباطات هوشمند مورد توجه قرار گرفته است. در حقیقت ۲۵ سال از زمانی که نخستین بار روش های بازشناسی گفتار مورد توجه قرار گرفت، می گذرد. در این پروژه برای به حداقل رساندن نویز یا صداهای مزاحم محیطی و پارامترهای متغیر گفتار از بازشناسی گفتار براساس اطلاعات صوتی و تصویری استفاده شده است. یعنی علاوه بر سیگنال های صوتی، تصویر فرد کاربر نیز مشاهده می شود و براساس منحنی که از خطوط دور لب فرد ترسیم می شود، ویژگی هایی استخراج می شود که در بازشناسی گفتار مورد استفاده قرار می گیرد. این فرآیند درست شبیه همان فرآیندی است که در لب خوانی انجام می شود. در نهایت این ویژگی ها در کنار ویژگی ها و خصوصیات صدای فرد برای تشخیص آنچه گفته است مورد استفاده قرار می گیرد.
این روش بر چه مبنایی ارائه شده است؟
ما برای این کار با اخذ مجوز از دانشگاه ATH سوئیس پایگاه اطلاعات آنها را دانلود کردیم و سپس روی این داده ها برنامه هایی را اجرا کردیم و توانستیم به نتایجی در زمینه ارائه روشی جدید برای بازشناسی گفتار دست یابیم. پس از این می توان براساس روش جدید ارائه شده با همکاری شرکت ها، محصولات تجاری را مبتنی بر این روش با بازار عرضه کرد. نتایج این تحقیق نشان می دهد این روش جدید در بازشناسی گفتار می تواند از فواید بی شماری برخوردار باشد. برای مثال محصولات جدید سونی مجهز به نرم افزاری است که از قابلیت تطبیق با صدای صاحبش برخوردار است. در این صورت برای فعال شدن سیستم عامل، دیگر نیازی به حساب کاربری و رمز عبور ندارید بلکه لپ تاپ یا گوشی تلفن همراه مارک سونی شما به محض شنیدن صدایتان فعال می شود. بر اساس این نتایج می توان نرم افزاری را طراحی کرد که در این طرح، تحقیقات لازم برای ساخت نمونه داخلی آن صورت گرفته است.
ویژگی منحصر به فرد این روش در مقایسه با روش های مشابه بازشناسی گفتار چیست؟
این روش جدید در مقایسه با روش های قبلی از کاربردهای متنوع تری برخوردار است. این روش در نهایت می تواند به طراحی و ساخت سامانه های هوشمندی منجر شود که می توانند با کاربرانشان ارتباط برقرار کنند. گام بعدی پیشرفت این سیستم ها تحلیل محتوایی گفتار است. به عبارت دیگر کامپیوتر جمله شما را نمی نویسد بلکه این جمله را درک می کند و براساس آن منابعی را که مرتبط است در اختیارتان قرار می دهد. البته پیش از این نیز در این زمینه اقدامات مشابهی نظیر طراحی نرم افزارهای هوشمند تایپ توسط گروهی از محققان دانشگاه صنعتی شریف انجام شده بود اما همه روش های پیشین دارای محدودیت است. برخی از این محدودیت ها ناشی از این است که کاربر باید حتما در اتاقی کاملا ساکت که عایق صداست از این نرم افزار استفاده کند. اما در دنیای واقعی و روزمره شما در محیطی هستید که مجموعه ای از صداهای محیطی مزاحم و صدای افراد دیگر هم وجود دارد.
چرا به این فکر افتادید که بهتر است در سیستم های بازشناسی گفتار از ویژگی های تصویری استفاده کنید؟
انسان این توانایی را دارد که بتواند تنها صدایی را که مورد نظرش است، بشنود و بقیه صداها را فیلتر کند. اما ماشین ها در این زمینه با محدودیت مواجه هستند. برای مثال، صداهای محیطی و بالا و پایین شدن صداها در این سیستم اختلال ایجاد می کند. این روش جدید در مقایسه پیشرفته تر است و قابلیت حذف صداهای محیطی را دارد. یکی از راهکارها برای حل این مشکل علاوه بر بهره مندی از اطلاعات تصویری این است که در این روش از الگوی مغز انسان ایده گرفته شود. در قشر کورتکس مغز نواحی جداگانه ای تحت عنوان بخش های بینایی و شنیداری وجود دارد که اطلاعات را پردازش می کند. در بخش بالاتر پردازش اطلاعات به درک گفتار منتهی می شود. در این روش جدید از اطلاعات فیزیولوژیک هم استفاده شده است.
این روش جدید چه امکاناتی را باهدف بهبود ارتباطات هوشمند در اختیار کاربران قرار می دهد؟
نتایج به دست آمده از این تحقیقات را می توان در قالب یک نرم افزار ارائه کرد که روی ابزارهای مختلف قابل نصب است و بر این اساس اپلیکیشن هایی برنامه نویسی می شود. در این زمینه اقدامات مشابهی نیز انجام شده است. برای مثال اپل که از جمله شرکت های بزرگ و مطرح در زمینه طراحی و ساخت گوشی های هوشمند است از روش مشابهی در طراحی سیستم نرم افزاری نسل جدید گوشی های آیفون استفاده کرده است که ارتباط کاربر با گوشی تلفن همراه را به شیوه ای متفاوت امکان پذیر می سازد. به این ترتیب می توانید از گوشی تلفن همراهتان سوالی بپرسید. این نرم افزار سوال شما را درک کرده و درباره آن در اینترنت جستجو می کند و در نهایت نتیجه جستجو را اعلام می کند. در حقیقت این نرم افزار از عملکردی شبیه یک منشی اختصاصی برای کاربران برخوردار است. اما اگر بتوان کیفیت بازشناسی گفتار را در این نرم افزار ارتقا داد تا ویژگی هوشمندی هم به آن اضافه شود می تواند از قابلیت درک عواطف و احساسات کاربران نیز برخوردار شود.
تاثیر فناوری بازشناسی گفتار بر آینده فناوری
نخستین سیستم های بازشناسی گفتار سال ۱۳۳۲ طراحی شد. یکی از بزرگ ترین محدودیت های این سیستم ها در مقایسه با سیستم های امروزی این بود که این سیستم به شیوه گفتار گسسته که مستلزم ایجاد وقفه بین کلمات است و به صورت وابسته به شخص گوینده و تنها با تعداد واژه محدودی عمل می کرد.
ابتدا استفاده از این فناوری به افرادی که با ناتوانی در استفاده از شیوه های متداول ارتباطی مواجه بودند، محدود می شد اما بتدریج محدوده کاربری آنها گسترده تر شد.
این سیستم قابلیت اجرا و کنترل گفتاری برنامه های کامپیوتری را دارد و به این ترتیب کار با نرم افزارها بسیار سریع تر می شود.
علاوه بر این سیستم های بازشناسی گفتار، امکان کنترل از راه دور وسایل و ابزارهای مختلف را نیز فراهم می کند. گفتاری شدن نرم افزارهای آموزشی و بازی ها نیز موجب جذاب تر شدن این نرم افزار شده است. سیستم های بازشناسی گفتار انواع مختلفی دارد.
بعضی از این سیستم ها تنها گفتار پیوسته را شناسایی می کند و بعضی دیگر تنها در صورتی که بین کلمات فاصله یا به اصطلاح سکوت وجود داشته باشد واژه ها را تشخیص می دهد، اما بهترین و ایده آل ترین سیستم بازشناسی گفتار سیستمی است که توانایی تشخیص گفتار پیوسته ای را که به گوینده ای خاص وابسته نباشد، داشته باشد و بتواند صدای شخص گوینده را از میان مجموع صداهای محیطی تشخیص دهد.
به طور کلی، هدف از طراحی و ساخت این سامانه فراهم کردن امکان ارتباط بین انسان ها و ماشین های مختلف از جمله رایانه ها از طریق گفتار است.
اگر بخواهیم دورنمایی از آینده را ترسیم کنیم باید اشاره کنیم که بزودی ماشین ها و ابزار دوروبرمان آنقدر هوشمند و طبیعی با ما ارتباط برقرار خواهند کرد که ما طبیعتا حضور آنها در کنار خودمان را به عنوان موجودی ذی شعور خواهیم پذیرفت. چنین سامانه هایی می تواند به کودکانی که دچار محدودیت های گفتاری هستند، کمک کند تا بر این محدودیت ها غلبه کنند.
Twitter
Google
Yahoo
Delicious
بالاترین
دنباله
یکی از کارآمدترین ابزارهای مبادله اطلاعات برای بشر گفتار است. انسان امروزی همواره در این آرزو بوده است که بتواند به روشی برای کنترل محیط و ارتباط با ابزارها و ماشین ها از طریق این ابزار کارآمد یعنی گفتار دست یابد.
نسخه‌ی چاپی
ارسال اين مطلب به دوستان