speech recognition
4 отговора
182 прегледа
speech recognition
здравейте,
интересува ме идеално простия алгоритъм, който може да разпознава примерно 10-20 гласови команди. принципно как става номера, tutorial, някакъв example (езика няма голямо значение) биха ми били полезни.
абе щом хората правят gsm-и с гласово набиране и в ограничените им изчислителни ресурси успяват да наблъскат такова нещо, не би трябвало да е много сложно
...but here...there is no light
интересува ме идеално простия алгоритъм, който може да разпознава примерно 10-20 гласови команди. принципно как става номера, tutorial, някакъв example (езика няма голямо значение) биха ми били полезни.
абе щом хората правят gsm-и с гласово набиране и в ограничените им изчислителни ресурси успяват да наблъскат такова нещо, не би трябвало да е много сложно
...but here...there is no light
Re: speech recognition
За 10-20 команди може да се направи. До колкото съм видял в Интернет най-популярното е да се използват коефициенти на Mel заедно с НММ(Hidden Markov Model).
Има много информация в Интернет. Ето две примерни места:
(1) На адреса [линк] може лесно да се разбере как се пресмятат коефициентите на Mel. Тези коефициенти са нещо като cepstrum но с по различен мащаб.
(2) На адреса [линк] може да се вземе програма и документация за работа с HMM. Препоръчвам го, понеже в документацията към въпросния htk много добре е обяснено как работи НММ.
Има много информация в Интернет. Ето две примерни места:
(1) На адреса [линк] може лесно да се разбере как се пресмятат коефициентите на Mel. Тези коефициенти са нещо като cepstrum но с по различен мащаб.
(2) На адреса [линк] може да се вземе програма и документация за работа с HMM. Препоръчвам го, понеже в документацията към въпросния htk много добре е обяснено как работи НММ.
Re: speech recognition
OK,
И аз се интересувах от евентуална реализация извън Windows (или Linux, ...); т. е. алгоритъма да се слага в Embeded System. Само че за да се сметнат коефициентите на Mel трябва да се прави преобразувание на Фурие (или FFT = Fast Fourier Transform.), така че с PIC-ове едва ли ще стане ами ще трябва някое DSP. Работата с HMM също изисква много аритметика с плаваща точка.
Информацията която ти дадох е от преди 1 година, понеже тогава рових в интернет по въпроса. Но хората работят по въпроса и от тогава може да има новости. Напримар като алтернатива на HMM някои предлагаха едни "Support Vector Machenes" (по въпроса виж [линк]). Има и системи с невронни мрежи, а и хибридни системи като HMM + невронна мрежа (на мен невронните мрежи не са ми много ясни и не ми вдъхват доверие).
На мен лично ми хареса коефициенти на Mel + HMM, понеже когато става дума за 20-30 думи не е трудно да се направи, а и както твърдят някои хора, по този начин лесно се постига над 90% разпознаваемост.
Можеш да погледнеш и какво се говори в news-групата "comp.speech" която я има на адреса [линк], ... ама и те клюкарят не по-сериозно от колкото в нашия клуб.
Най-новите неща ги има в научни списания, разбира се; ама е доста работа да се следят и освен това много хора работят по въпроса. Така, че конкуренцията е голяма -- има цели институти които само това правят.
И аз се интересувах от евентуална реализация извън Windows (или Linux, ...); т. е. алгоритъма да се слага в Embeded System. Само че за да се сметнат коефициентите на Mel трябва да се прави преобразувание на Фурие (или FFT = Fast Fourier Transform.), така че с PIC-ове едва ли ще стане ами ще трябва някое DSP. Работата с HMM също изисква много аритметика с плаваща точка.
Информацията която ти дадох е от преди 1 година, понеже тогава рових в интернет по въпроса. Но хората работят по въпроса и от тогава може да има новости. Напримар като алтернатива на HMM някои предлагаха едни "Support Vector Machenes" (по въпроса виж [линк]). Има и системи с невронни мрежи, а и хибридни системи като HMM + невронна мрежа (на мен невронните мрежи не са ми много ясни и не ми вдъхват доверие).
На мен лично ми хареса коефициенти на Mel + HMM, понеже когато става дума за 20-30 думи не е трудно да се направи, а и както твърдят някои хора, по този начин лесно се постига над 90% разпознаваемост.
Можеш да погледнеш и какво се говори в news-групата "comp.speech" която я има на адреса [линк], ... ама и те клюкарят не по-сериозно от колкото в нашия клуб.
Най-новите неща ги има в научни списания, разбира се; ама е доста работа да се следят и освен това много хора работят по въпроса. Така, че конкуренцията е голяма -- има цели институти които само това правят.