Razlike

Slijede razlike između dviju inačica stranice.

--- racfor_wiki:fdd:speech_to_text [2022/06/07 16:53]
dbezuk [Alati]
+++ racfor_wiki:fdd:speech_to_text [2024/12/05 12:24] (trenutno)
@@ Redak 44: / Redak 44: @@
   Slika 1.3 - prikaz korištenja dubokih neuronskih mreža za provedbu
   Speech-to-text-a
+Trenutno u ovome se području najviše istražuju primjene automatskog speech recognitiona (ASR) te kako ga provesti pomoću metoda nenadziranog dubokog učenja. Ideja je da ne trebamo ručno označavati modelu koji dio zapisa predstavlja koju riječ, već da model sam nauči mapirati govorne segmente u riječi. Jedno od istraživanja o prednostima i nedostatcima ove metode opisano je u čanku "Unsupervised Automatic Speech Recognition: A review ". [7]
 ===== Primjene =====
@@ Redak 55: / Redak 57: @@
 ===== Alati =====
-Neki od besplatnih alata koji se koriste kod sustavi ovisnih o govorniku su:
+Neki od alata koji nude besplatnu verziju za generiranje teksta iz govora su:
-Neki od besplatnih alata koji se koriste kod sustavi neovisnih o govorniku su:
+**Julius**
+//[[https://github.com/julius-speech/julius|Julius]]//
+Softver za dekodiranje s velikim vokabularom namijenjen je za istraživače i programere. Na temelju riječi N-grama i HMM-a ovisnog o kontekstu, može izvesti dekodiranje u stvarnom vremenu na različitim računala i uređajima - od mikro-računala do poslužitelja u oblaku. Za rad, Julius prepoznavač treba jezični model i akustički model za svaki jezik. Najnovija verzija također podržava dekodiranje u stvarnom vremenu temeljeno na Deep Neural Networks-u. Julius je razvijen kao istraživački softver za japanski LVCSR (engl. large-vocabulary continuous-speech recognition)od 1997. godine, a rad je nastavljen u okviru IPA projekta japanskih alata za diktiranje.
+Dostupan je na platformama Linux i drugim sustavima baziranim na Unixu, kao i na Windows-u, Mac-u, Android-u i drugim platformama.
+**Converse Smartly**
+//[[https://www.folio3.ai/converse-smartly-try-now/|Converse Smartly]]//
+Alat je nastao kao interni projekt obrade prirodnog jezika tvrtke Folio3. Kako bi proveo speech-to-text koristi postojeći IBM Watson Speech API i Natural Language Toolkit ( NLTK ). Baziran je na umjetnim povratnim umjetnim neuronskim mrežama te sadrži veliki broj prednaučenih reprezentacija riječi. Osim što obavlja zadatak pretvordbe govora u tekst također omogućava analizu pojedinih osjećaja ili prepoznavanje određene teme u audiozapisu. Aplikacija je primarno osmišljena kao pomagalo prilikom sastanaka, intervjua, konferencija ili seminara, no danas njezina besplatna verzija ima puno širu primjenu.
+**Dragon**
+//[[https://www.nuance.com/dragon/transcription-solutions.html/|Dragon]]//
+Aplikacija za profesionalni speech recognition koja nudi besplatnu verziju sa brojnim mogućnostima. Kao svoju primarnu metodu koristi se askutičnim modelom. Akustično modeliranje govora obično je izvedeno na način da se računaju statističke reprezentacije za sekvence vektora značajki iz valnog oblika govora. Sama aplikacija uči značajke riječi kako ju koristimo te s vremenom postaje sve točnija i točnija. Procjenjuje se da može doseći čak 99-postotnu točnost u pretvaranju audiozapisa u tekst.  Za pretvorbu koristi vrlo široku bazu transkripata. Osim samog speech-to-texta alat nam nudi i korekciju izgovora.
+**AssemblyAI**
+//[[https://www.assemblyai.com/|AssemblyAI]]//
+Platforma koja nudi besplatnu verziju za obradu prirodnog jezika i speech-to-text. Nudi transkripciju u stvarnom vremenu, dijarizaciju zvučnika, automatsko generiranje interpunkcija ( uskličnika, točki, zareza ) te poprilično veliku točnost pretvorbe. Osim toga prihvaća jako široki skup audio i video formata. Također sam AssemblyAI nudi besplatni Python API s kojim možemo isprobavati i modificirati programe za obradu govora.  Modeli koje koriste bazirani su na povratnim neuronskim mrežama sa slojevima pažnje ( attention ) te akustičnom modeliranju.
 ===== Zaključak =====
@@ Redak 64: / Redak 86: @@
 ===== Literatura =====
-[1] [[https://en.wikipedia.org/wiki/Speech_recognition]]
+[1] En.wikipedia.org. 2022. Speech recognition - Wikipedia. [online] Available at: [[https://en.wikipedia.org/wiki/Speech_recognition]] [Accessed 7 June 2022].
+[2] Furui, S., 2022. AUTOMATIC SPEECH RECOGNITION AND ITS APPLICATION TO INFORMATION EXTRACTION. [online] Aclanthology.org. Available at: [[https://aclanthology.org/P99-1002.pdf | Sadaoki Furui  AUTOMATIC SPEECH RECOGNITION AND ITS APPLICATION TO INFORMATION EXTRACTION Department of Computer Science Tokyo institute of Technology]][Accessed 7 June 2022].
+[3] Defined.ai. 2022. Speech Recognition Technology: Uses and Application in the Real World - Defined.ai. [online] Available at: [[https://www.defined.ai/blog/speech-recognition-technology-uses-and-application-in-the-real-world/]] [Accessed 7 June 2022].
+[4] Scribd. 2022. Speech Recognition Seminar Report | PDF | Speech Recognition | Ios. [online] Available at: [[https://www.scribd.com/doc/130376790/Speech-Recognition-Seminar-Report | Gokhale Education Society’s R. H. Sapat College of Engineering, Management Studies and Research]] [Accessed 7 June 2022].
-[2] [[https://aclanthology.org/P99-1002.pdf | Sadaoki Furui  AUTOMATIC SPEECH RECOGNITION AND ITS APPLICATION TO INFORMATION EXTRACTION Department of Computer Science Tokyo institute of Technology]]
+[5] Csc.villanova.edu. 2022. Speech Recognition. [online] Available at: [[http://www.csc.villanova.edu/~beck/csc4730/speech.html]] [Accessed 7 June 2022].
-[3] [[https://www.defined.ai/blog/speech-recognition-technology-uses-and-application-in-the-real-world/]]
+[6] En.wikipedia.org. 2022. List of speech recognition software - Wikipedia. [online] Available at: [[https://en.wikipedia.org/wiki/List_of_speech_recognition_software]] [Accessed 7 June 2022].
-[4] [[https://www.scribd.com/doc/130376790/Speech-Recognition-Seminar-Report | Gokhale Education Society’s R. H. Sapat College of Engineering, Management Studies and Research]]
+[7] Hanan Aldarmaki, 2022. Unsupervised Automatic Speech Recognition: A review
+Available at: [[https://www.sciencedirect.com/science/article/pii/S0167639322000292]] [Accessed 7 June 2022].
 ~~DISCUSSION~~

racfor_wiki/fdd/speech_to_text.1654620826.txt.gz · Zadnja izmjena: 2024/12/05 12:23 (vanjsko uređivanje)