فناوری‌های مرتبط با سخت‌افزار و نرم‌افزار

تشخیص گفتار چیست؟

بازدید: 241 آخرین به‌روزرسانی: 15 شهریور 1403

مقدمه

امروزه تشخیص گفتار (Speech Recognition) شیوه تعامل انسان‌ها با ماشین‌ها را دگرگون کرده است. از دستیارهای شخصی مانند سیری (Siri) و الکسا (Alexa) گرفته تا خدمات مشتری خودکار و نرم‌افزارهای رونویسی، فناوری تشخیص گفتار به طور فزاینده‌ای به بخشی جدایی‌ناپذیر از زندگی روزمره تبدیل شده است. با پیشرفت هوش مصنوعی (AI) و یادگیری ماشین، سیستم‌های تشخیص گفتار دقیق‌تر، سازگارتر و چندمنظوره‌تر می‌شوند. این تحول با بهبود قدرت محاسباتی، الگوریتم‌ها و کلان داده هدایت می‌شود که توانایی ماشین‌ها را برای درک و تفسیر گفتار انسانی افزایش می‌دهد.

تشخیص گفتار چیست؟

تشخیص گفتار که اغلب به عنوان تشخیص خودکار گفتار (Automatic Speech Recognition یا ASR) شناخته می‌شود، فناوری‌ای است که به کامپیوترها امکان شناسایی و پردازش زبان گفتاری را می‌دهد. هدف اصلی از تشخیص گفتار، تبدیل گفتار به متن است. این فناوری با تجزیه و تحلیل امواج صوتی، شناسایی الگوها و تطبیق آن‌ها با یک مدل زبانی از پیش تعریف‌شده، به تولید متن یا انجام عملیات خاصی می‌پردازد. سیستم‌های تشخیص گفتار از ترکیبی از مدل‌سازی آکوستیک (Acoustic Modeling)، مدل‌سازی زبانی (Language Modeling) و روش‌های رمزگشایی (Decoding) استفاده می‌کنند تا به طور دقیق گفتار را تشخیص داده و پردازش کنند.

اجزای اصلی سیستم‌های تشخیص گفتار:

مدل آکوستیک (Acoustic Model): این مدل، سیگنال‌های صوتی گفتار را به واحدهای آوایی (Phonetic Units) تبدیل می‌کند. مدل آکوستیک از مجموعه داده‌های گسترده‌ای از گفتار ضبط‌شده و متن‌های مرتبط با آن استفاده می‌کند تا ارتباط بین صداها و کلمات را بیاموزد. این فرآیند با استفاده از روش‌های آماری و شبکه‌های عصبی عمیق (Deep Neural Networks) انجام می‌شود تا الگوهای صوتی به دقت شناسایی شوند.

پیشنهاد می‌شود مقاله شبکه‌های عصبی را مطالعه کنید.

مدل زبانی (Language Model): مدل زبانی، احتمال وقوع توالی‌های مختلف کلمات را پیش‌بینی می‌کند. این مدل به سیستم کمک می‌کند تا براساس متن ورودی، محتمل‌ترین ترکیب‌های کلمات را انتخاب کند. این مدل از روش‌های یادگیری ماشینی (Machine Learning) و تحلیل داده‌های متنی استفاده می‌کند تا بهترین نتیجه حاصل شود.

پیشنهاد می‌شود مقاله یادگیری ماشین را مطالعه کنید.

رمزگشا (Decoder): رمزگشا ترکیب خروجی‌های مدل آکوستیک و مدل زبانی را به متن نهایی تبدیل می‌کند. این فرآیند با استفاده از الگوریتم‌های پیشرفته‌ای انجام می‌شود که بهترین توالی کلمات را از میان خروجی‌های مختلف انتخاب و به متن یا دستور نهایی تبدیل می‌کند.

علاوه بر مدل‌های آکوستیک، زبانی و رمزگشا که اجزای اصلی سیستم‌های تشخیص گفتار هستند، برخی دیگر از اجزای کلیدی و روش‌های پیشرفته وجود دارند که برای بهبود دقت و کارایی این سیستم‌ها به کار می‌روند. این اجزا عبارتند از:

پیش‌پردازش سیگنال (Signal Preprocessing): قبل از انجام فرآیند تشخیص، سیگنال صوتی نیاز به آماده‌سازی دارد. این مرحله شامل حذف نویز‌های محیطی، نرمال‌سازی شدت صدا و قطعه‌بندی سیگنال به بخش‌های کوچکتر می‌شود. پیش‌پردازش نقش مهمی در بهبود کیفیت ورودی ایفا می‌کند که در نهایت دقت سیستم تشخیص گفتار را تحت تأثیر قرار می‌دهد.

احتمالا بحث سیگنال در این بخش کمی برای شما مبهم باشد، در بخش بعدی سیگنال گفتار را توضیح خواهیم داد.

استخراج ویژگی (Feature Extraction): پس از پیش‌پردازش، سیگنال‌های صوتی باید به ویژگی‌های خاصی مانند فرکانس‌های اصلی، طیف انرژی و شدت صدا تبدیل شوند. این ویژگی‌ها سپس به عنوان ورودی برای مدل‌های آکوستیک استفاده می‌شوند. فرآیند استخراج ویژگی‌ها به سیستم کمک می‌کند تا الگوهای صوتی را بهتر تشخیص دهد. برای استخراج این ویژگی‌ها، روش‌هایی مانند تبدیل فوریه (Fourier Transform) و مدل‌های آماری مورد استفاده قرار می‌گیرند.

پس‌پردازش (Post-processing): پس از تولید خروجی نهایی از رمزگشا، مرحله پس‌پردازش انجام می‌شود تا دقت نتیجه بهینه شود. این مرحله ممکن است شامل اصلاحات در متن، حذف اشتباهات یا اعمال فیلترهای معنایی (Semantic Filters) برای بهبود صحت نتایج نهایی باشد.

سیگنال گفتار چیست؟

گفتار انسانی از حنجره (Larynx) شروع می‌شود که انرژی صوتی تولید می‌کند. صداهای واقعی از طریق برخورد مکرر تارهای صوتی (Vocal Cords) و مسدود کردن جریان هوا از ریه‌ها به وجود می‌آیند. صداهای گفتار توسط لب‌ها، زبان و دندان‌ها تولید می‌شوند که با حرکات خود جریان هوا را به بخش‌های مختلف مجاری دهانی و بینی هدایت می‌کنند. این امر منجر به مسدود شدن برخی از فرکانس‌های صوتی و در نتیجه ایجاد فرکانس‌هایی می‌شود که ما به عنوان صداهای گفتار می‌شنویم.

گوش انسان قادر است فرکانس‌هایی بین ۲۰ هرتز (Hz) تا ۲۰ کیلوهرتز را بشنود، اما بیشتر گفتار در فرکانس‌های کمتر از ۸ کیلوهرتز رخ می‌دهد. اگر نمونه‌هایی از یک سیگنال صوتی را در طول زمان بگیریم و یک الگوریتم ریاضی به نام تبدیل فوریه سریع (Fast Fourier Transform یا FFT) را بر روی آن اعمال کنیم، نتیجه یک طیف‌نگار (Spectrogram) خواهد بود. طیف‌نگار فرکانس‌های تشکیل‌دهنده یک صدا را از پایین به بالا در محور y و تغییرات آنها در طول زمان را در محور x نشان می‌دهد. دامنه (Amplitude) یا شدت نیز به عنوان بعد سوم در یک طیف‌نگار معمولاً با شدت رنگ نشان داده می‌شود.

مثال زیر یک طیف‌نگار از صدای شخصی است که در حال گفتن "تشخیص گفتار سخت است" می‌باشد:

طیف‌نگار صدای یک شخص

روش‌ها و الگوریتم‎های تشخیص گفتار

چالش‌های زبان گفتاری انسان، توسعه فناوری تشخیص گفتار را پیچیده کرده است. این حوزه به عنوان یکی از پیچیده‌ترین زمینه‌های علوم کامپیوتر شناخته می‌شود، زیرا شامل علوم زبان‌شناسی (Linguistics)، ریاضیات (Mathematics) و آمار (Statistics) است. فناوری تشخیص گفتار بر اساس دقت (Accuracy Rate) و سرعت ارزیابی می‌شود. یکی از معیارهای دقت، نرخ خطای کلمات (Word Error Rate یا WER) است. عواملی مانند تلفظ، لهجه، زیر و بمی صدا (Pitch)، حجم صدا (Volume) و نویز پس‌زمینه می‌توانند نرخ خطای کلمات را تحت تأثیر قرار دهند. دستیابی به برابری انسانی (Human Parity) – به این معنی که نرخ خطا مشابه با گفتگوی دو انسان باشد – هدفی است که سیستم‌های تشخیص گفتار مدت‌ها به دنبال آن بوده‌اند.

الگوریتم‌ها و روش‌های محاسباتی متنوعی برای تبدیل گفتار به متن و بهبود دقت رونویسی (Transcription Accuracy) استفاده می‌شوند. در زیر توضیح مختصری از برخی از رایج‌ترین روش‌ها ارائه شده است:

پردازش زبان طبیعی (Natural Language Processing یا NLP): هرچند NLP یک الگوریتم خاص در تشخیص گفتار نیست، اما حوزه‌ای از هوش مصنوعی است که به تعامل بین انسان و ماشین از طریق زبان، چه به صورت گفتار و چه به صورت متن، می‌پردازد. بسیاری از دستگاه‌های همراه، تشخیص گفتار را در سیستم‌های خود برای جستجوی صوتی – مانند سیری (Siri) – یا فراهم کردن دسترسی بیشتر برای ارسال پیامک‌ها به کار می‌گیرند.

پیشنهاد می‌شود مقاله پردازش زبان طبیعی را مطالعه کنید.

مدل‌های مارکوف پنهان (Hidden Markov Models یا HMM): مدل‌های مارکوف پنهان بر اساس مدل زنجیره مارکوف (Markov Chain Model) ساخته می‌شوند که بیان می‌کند احتمال یک حالت معین، به حالت فعلی بستگی دارد، نه به حالت‌های قبلی. در حالی که مدل زنجیره مارکوف برای رویدادهای قابل مشاهده مفید است، مانند ورودی‌های متنی، مدل‌های مارکوف پنهان به ما این امکان را می‌دهند که رویدادهای پنهان، مانند برچسب‌های بخش‌های گفتار (Part-of-Speech Tags) را در یک مدل احتمالاتی وارد کنیم. این مدل‌ها به عنوان مدل‌های دنباله‌ای در تشخیص گفتار استفاده می‌شوند و به هر واحد (کلمه، سیلاب، جمله و غیره) در دنباله، برچسب‌هایی اختصاص می‌دهند. این برچسب‌ها با ورودی ارائه ‌شده یک نگاشت ایجاد می‌کنند و به این ترتیب مناسب‌ترین دنباله برچسب‌ها را تعیین می‌کنند.

ان-گرام‌ها (N-grams): ان-گرام‌ها ساده‌ترین نوع مدل‌های زبانی (Language Models) هستند که به جملات یا عبارات احتمال اختصاص می‌دهند. ان-گرام یک توالی از N کلمه است. به عنوان مثال، "پیتزا را سفارش بده" یک سه‌گرام یا ۳-گرام و "لطفاً پیتزا را سفارش بده" یک چهار‌گرام است. قواعد گرامری و احتمال توالی‌های کلمات برای بهبود تشخیص و دقت استفاده می‌شوند.

تفکیک گویندگان (Speaker Diarization یا SD): الگوریتم‌های تفکیک گویندگان، گفتار را بر اساس هویت گوینده شناسایی و تقسیم‌بندی می‌کنند. این روش به برنامه‌ها کمک می‌کند تا افراد مختلف در یک مکالمه را بهتر تشخیص دهند و اغلب در مراکز تماس به کار می‌رود تا مشتریان و نمایندگان فروش را از یکدیگر متمایز کند.

علاوه بر روش‌های سنتی، روش‌های پیشرفته‌تر و به‌روزتری نیز در تشخیص گفتار به کار گرفته می‌شوند. این روش‌ها با استفاده از فناوری‌های نوین در یادگیری عمیق (Deep Learning) و هوش مصنوعی (AI) به دقت و کارایی بیشتر دست یافته‌اند. در ادامه، برخی از این روش‌ها توضیح داده شده‌اند:

شبکه‌های عصبی بازگشتی (Recurrent Neural Networks یا RNN):

شبکه‌های عصبی بازگشتی برای پردازش داده‌های سری زمانی مانند گفتار طراحی شده‌اند. برخلاف شبکه‌های عصبی سنتی، RNN‌ها می‌توانند اطلاعات قبلی را حفظ کنند و از آن‌ها برای پردازش داده‌های جدید استفاده کنند. این ویژگی به خصوص برای تشخیص گفتار بسیار مفید است، زیرا گفتار یک دنباله زمانی است و ارتباط بین کلمات اهمیت دارد.

شبکه‌های عصبی پیچشی (Convolutional Neural Networks یا CNN):

هرچند که CNN‌ها معمولاً در پردازش تصاویر استفاده می‌شوند، اما در سال‌های اخیر کاربرد آن‌ها در پردازش گفتار نیز گسترش یافته است. CNN‌ها با توانایی شناسایی الگوهای محلی در داده‌ها، می‌توانند ویژگی‌های خاصی از سیگنال‌های صوتی را استخراج کنند. این روش‌ها به ویژه در تشخیص ویژگی‌های آکوستیک مانند سازندها (Formants) و سایر ویژگی‌های صوتی مفید هستند.

مدل‌های انتقالی (Transformer Models):

مدل‌های انتقالی، به ویژه مدل‌های خودتوجه (Self-Attention)، از جدیدترین روش‌های مورد استفاده در تشخیص گفتار هستند. مدل‌های انتقالی می‌توانند به طور همزمان تمام بخش‌های یک دنباله گفتار را پردازش کنند و به هر قسمت از گفتار با توجه به زمینه آن توجه ویژه‌ای داشته باشند. این ویژگی باعث می‌شود که مدل‌های انتقالی نسبت به RNN‌ها و LSTM‌ها سریع‌تر و دقیق‌تر باشند.

مدل‌های معروفی مانند BERT و GPT نمونه‌هایی از مدل‌های انتقالی هستند که در پردازش زبان طبیعی و تشخیص گفتار کاربردهای فراوانی دارند.

مدل‌های توجه-پایه(Listen, Attend, and Spell یا LAS):

مدل‌های LAS نوعی از مدل‌های شبکه عصبی هستند که به ترکیب لایه‌های بازگشتی (RNN) با مکانیزم‌های توجه (Attention Mechanisms) می‌پردازند. این مدل‌ها به سیستم اجازه می‌دهند که به بخش‌های مختلف سیگنال گفتار با توجه به اهمیت آن‌ها توجه کند. LAS به ویژه در کاربردهای ترجمه گفتار به متن و حتی ترجمه همزمان گفتار به گفتار به کار می‌رود.

فناوری یادگیری تقویتی (Reinforcement Learning):

یادگیری تقویتی یک روش یادگیری ماشین است که در آن سیستم با استفاده از بازخوردهای محیط، استراتژی‌های بهینه‌سازی را یاد می‌گیرد. در تشخیص گفتار، یادگیری تقویتی می‌تواند برای بهینه‌سازی تصمیم‌گیری در مواجهه با داده‌های گفتاری پیچیده یا نویزی استفاده شود. این روش به ویژه در سیستم‌های تعامل صوتی با انسان، مانند دستیارهای صوتی، کاربرد دارد.

یادگیری فدرالی (Federated Learning):

در این روش، مدل‌ها به صورت محلی در دستگاه‌های مختلف (مانند تلفن‌های همراه) آموزش داده می‌شوند و داده‌های کاربران به سرور مرکزی ارسال نمی‌شود. این روش برای حفظ حریم خصوصی در تشخیص گفتار بسیار مفید است. یادگیری فدرالی به سیستم‌ها اجازه می‌دهد که از داده‌های کاربران به صورت توزیع‌شده استفاده کنند و مدل‌های تشخیص گفتار را بهبود بخشند بدون اینکه نیاز به دسترسی مستقیم به داده‌های خام کاربران باشد.

تشخیص گفتار چند زبانه (Multilingual Speech Recognition):

با پیشرفت در یادگیری عمیق و مدل‌های چند وظیفه‌ای (Multitask Learning)، سیستم‌های تشخیص گفتار جدید قادر به تشخیص گفتار در چندین زبان به صورت همزمان هستند. این سیستم‌ها از شبکه‌های عصبی چند زبانه استفاده می‌کنند که قادر به تشخیص و تفکیک زبان‌های مختلف هستند. این روش‌ها به ویژه در کاربردهای جهانی و چند زبانه مانند دستیارهای صوتی بین‌المللی و سیستم‌های ترجمه خودکار گفتاری اهمیت دارند.

تشخیص گفتار مبتنی بر یادگیری بدون نمونه (Zero-shot Learning):

یادگیری بدون نمونه یک روش جدید در یادگیری ماشین است که به مدل‌ها اجازه می‌دهد بدون نیاز به آموزش مستقیم در یک حوزه خاص، گفتار را تشخیص دهند. به عنوان مثال، یک سیستم تشخیص گفتار می‌تواند بدون دیدن نمونه‌های خاص از یک گویش یا زبان جدید، گفتار را در آن زبان تشخیص دهد. این روش‌ها از اطلاعات قبلی برای تعمیم به موارد جدید استفاده می‌کنند و به خصوص در محیط‌هایی که تنوع زبانی زیاد است، کاربرد دارند.

پیشرفت‌های تشخیص گفتار

فناوری تشخیص گفتار در سال‌های اخیر شاهد پیشرفت‌های چشمگیری بوده است که به دلیل توسعه‌های عظیم در زمینه‌های هوش مصنوعی، یادگیری عمیق و پردازش زبان طبیعی به وجود آمده است. در ادامه به برخی از پیشرفت‌ها و روندهای اصلی که آینده این فناوری را شکل می‌دهند، اشاره می‌کنیم:

دقت و کاهش نویز: سیستم‌های اولیه تشخیص گفتار با مشکلاتی مانند نویز پس‌زمینه و تفاوت‌های لهجه یا گویش روبه‌رو بودند. اما سیستم‌های مدرن با بهره‌گیری از مدل‌های یادگیری عمیق و مجموعه‌های داده وسیع توانسته‌اند دقت بالایی را حتی در محیط‌های پر نویز به دست آورند. الگوریتم‌های کاهش نویز و روش‌های حذف اکوی صدا به طور قابل توجهی قدرت سیستم‌های تشخیص گفتار را بهبود بخشیده‌اند.

پشتیبانی چند زبانه: با جهانی‌شدن فناوری، نیاز به سیستم‌های تشخیص گفتار که از زبان‌های مختلف پشتیبانی کنند، افزایش یافته است. پیشرفت‌های اخیر امکان عملکرد سیستم‌های تشخیص گفتار در زبان‌ها و گویش‌های متنوع را فراهم کرده و دسترسی به کاربران جهانی را گسترش داده است.

پردازش بلادرنگ (Real-time): تشخیص گفتار بلادرنگ در حال افزایش است و به کاربران این امکان را می‌دهد که با سیستم‌ها به صورت آنی تعامل داشته باشند. این ویژگی به‌ویژه در کاربردهایی مانند رونویسی زنده، دستیارهای مجازی و سیستم‌های پشتیبانی مشتریان مفید است. پردازش سریع و کاهش تأخیر به کمک محاسبات ابری و معماری‌های مبتنی بر لبه (Edge Computing) انجام می‌شود.

بیومتریک‌های صوتی (Voice Biometrics): سیستم‌های تشخیص گفتار در حال توسعه برای شناسایی تنها کلمات بیان شده، بلکه هویت گوینده نیز هستند. بیومتریک‌های صوتی با تحلیل ویژگی‌های منحصر به فرد صوتی، لایه‌ای اضافی از امنیت را برای تأیید هویت کاربران فراهم می‌آورند. این فناوری در صنایعی مانند مالی و بهداشت که امنیت حیاتی است، در حال کسب محبوبیت است.

سیستم‌های آگاه به زمینه (Context-Aware): سیستم‌های تشخیص گفتار مبتنی بر هوش مصنوعی به طور فزاینده‌ای قادر به درک زمینه مکالمات هستند. این ویژگی به بهبود ارتباطات و پاسخ‌های سیستم کمک می‌کند و تعاملات را طبیعی‌تر و شهودی‌تر می‌سازد.

ادغام با دستگاه‌های اینترنت اشیاء (IoT) و پوشیدنی‌ها: تشخیص گفتار به طور فزاینده‌ای در دستگاه‌های اینترنت اشیاء و پوشیدنی‌ها (Wearable Devices) ادغام می‌شود و عملیات کنترل صوتی را در خانه‌های هوشمند، خودروها و دستگاه‌های بهداشتی امکان‌پذیر می‌سازد. این روند به گسترش رابط‌های صوتی از گوشی‌های هوشمند و کامپیوترها به دامنه وسیع‌تری از دستگاه‌ها کمک می‌کند.

کاربردهای بهداشتی: در صنعت بهداشت، تشخیص گفتار برای ساده‌سازی مستندسازی، رونویسی یادداشت‌های پزشکی و کمک به مراقبت از بیماران به کار می‌رود. دقت بهبود یافته و قابلیت‌های زمان بلادرنگ به متخصصان بهداشت اجازه می‌دهد بیشتر بر تعامل با بیماران تمرکز کنند و وظایف اداری را به‌طور خودکار انجام دهند.

ملاحظات اخلاقی و حریم خصوصی: با گسترش فناوری تشخیص گفتار، نگرانی‌ها در مورد حریم خصوصی داده‌ها و ملاحظات اخلاقی در حال افزایش است. شرکت‌ها بر روی بهبود رمزنگاری داده‌ها، رضایت کاربران و سیاست‌های شفاف تمرکز دارند تا به این نگرانی‌ها رسیدگی کنند. همچنین روندی به سوی توسعه سیستم‌های تشخیص گفتار که داده‌ها را به صورت محلی پردازش می‌کنند، در حال ظهور است که به کاهش خطر افشای اطلاعات حساس کمک می‌کند.

جمع‌بندی

فناوری تشخیص گفتار به سرعت در حال پیشرفت است و با بهره‌گیری از هوش مصنوعی، یادگیری عمیق و پردازش زبان طبیعی، قادر به ارائه دقت و کارایی بالاتری نسبت به گذشته شده است. این فناوری با توانایی شناسایی و تبدیل گفتار به متن، به یکی از ابزارهای حیاتی در زندگی روزمره و صنایع مختلف تبدیل شده است. ابررایانه سیمرغ به عنوان یکی از پیشرفته‌ترین سیستم‌های پردازش داده‌های کلان، نقش مهمی در این تحول ایفا کرده است. با قدرت پردازشی بالا و قابلیت‌های تحلیل داده‌های پیچیده، ابررایانه سیمرغ توانسته است به بهبود دقت و سرعت سیستم‌های تشخیص گفتار کمک کند. این ابررایانه با پردازش سریع داده‌های صوتی و اجرای مدل‌های پیچیده یادگیری عمیق، به تحقیقات و توسعه در زمینه تشخیص گفتار سرعت بخشیده و توانمندی‌های جدیدی را برای کاربردهای گسترده فراهم کرده است.

سیمرغ به ویژه در پردازش و تحلیل داده‌های بزرگ، توسعه مدل‌های پیشرفته و پشتیبانی از یادگیری عمیق در زمینه تشخیص گفتار نقش برجسته‌ای دارد. این ابررایانه با تسهیل فرآیندهای پیچیده و کاهش زمان لازم برای آموزش مدل‌های جدید، به تحقق اهداف بلندپروازانه در زمینه تشخیص گفتار و بهبود کیفیت تعاملات صوتی کمک کرده است.