Розпізнава́ння мо́влення () або мо́влення у те́кст () — процес перетворення мовленнєвого сигналу в текстовий потік. Не варто плутати із розпізнаванням мови, оскільки «розпізнати мову» означає лише визначити, до якої мови належить сегмент мовленнєвого сигналу. Часто використовується у наборі технологій, що дають змогу керувати комп'ютером, використовуючи голос, вводити інформацію голосом (шукати в Інтернеті за допомогою голосового пошуку), диктувати, транскрибувати (стенографувати) фонограми.

Історія Перший пристрій для розпізнавання усної мови з'явився в 1952 році, він міг розпізнавати вимовлені людиною цифри. Davies , K.H., Biddulph, R. and Balashek, S. (1952) Automatic Speech Recognition of Spoken Digits, J. Acoust. Soc. Am. 24(6) pp.637 - 642 В 1964 році на ярмарку комп'ютерних технологій у Нью-Йорку було представлено пристрій IBM Shoebox.

Комерційні програми з розпізнавання мовлення з'явилися на початку дев'яностих років. Зазвичай їх використовують люди, які через травми рук не в змозі набирати велику кількість тексту. Ці програми (наприклад, Dragon Naturally Speaking, VoiceNavigator) переводять голос користувача в текст, таким чином, розвантажуючи його руки. Надійність перекладу у таких програм не дуже висока, але з роками вона поступово покращується.

Збільшення обчислювальних потужностей мобільних пристроїв дозволило і для них створити програми з функцією розпізнавання усної мови. Серед таких програм варто відзначити Microsoft Voice Command, яка дозволяє працювати з багатьма прикладними програмами за допомогою голосу. Наприклад, можна включити відтворення музики в плеєрі або створити новий документ.

У комп'ютерах Apple Macintosh у налаштуваннях системи є вбудована функція Speech, що здатна аналізувати команди користувача при натисканні певної клавіші, або якщо команді користувача передує ключове слово.

Ще однією цікавою програмою є Speereo Voice Translator — голосовий перекладач. SVT здатна розпізнавати фрази, вимовлені англійською мовою, і «промовляти» у відповідь переклад однією з вибраних мов.

Для української мови відома розробка розпізнавання мовлення, яка дає змогу вводити текст голосом. Ця система працює зі словником понад 100 тисяч слів. Її можна завантажити та використовувати для диктування текстів середньої складності.

Починаючи з 2000-х років, голосовий відгук став більш поширеним і дешевшим у впровадженні. Це було пов'язано зі збільшенням потужності процесорів і переходом мовних додатків з пропрієтарного коду на стандарт VXML. Інтелектуальні мовні прикладні програми, що дозволяють автоматично синтезувати та розпізнавати усну мову, є наступним етапом розвитку інтерактивних голосових систем IVR. Їх використання призвело до зниження навантаження на операторів контакт-центрів і секретарів, скорочення витрат на оплату праці та підвищення продуктивності у сфері послуг. Достатньо вимовлення мети дзвінка, після чого голосова система автоматично перемістить абонента в потрібний пункт меню. При цьому системи розпізнавання є незалежними від дикторів, тобто розпізнають голос будь-якої людини.

Наступним кроком технологій розпізнавання мови можна вважати розвиток так званих Silent Speech Interfaces (SSI) (Інтерфейсів Безмовного/Артикуляторного Доступу). Ці системи обробки мовлення базуються на одержанні й обробці мовних сигналів на ранній стадії артикуляції. Цей етап розвитку розпізнавання мови викликаний двома істотними вадами сучасних систем розпізнавання: надмірна чутливість до шумів, а також необхідність чіткої і ясної вимови при звертанні до системи розпізнавання. Підхід, заснований на SSI, полягає в тому, щоби використовувати нові сенсори, що не піддаються впливу шумів, як доповнення до оброблених акустичних сигналів.

У 2022 році з'явились end-to-end моделі Whisper від OpenAI та Wav2Vec 2.0 від Meta, які демонструють високу стійкість до фонового шуму й акцентів. Під час збору аудіоданих компанія Meta Platforms вирішила використати Біблію, перекладену і озвучену багатьма мовами. В результаті обробки подібних текстів розробники збільшили кількість доступних мов моделі до понад 4000.

Методи розпізнавання

Якість розпізнавання На 2016 рік розробка з розпізнавання та синтезу мови від компанії Microsoft забезпечує якість розпізнавання, близьку до людини (5.9% помилок проти 5.1%) та здатна визначати контекст (спорт, комп'ютери тощо). В 2017 році компанія IBM досягла рівня помилок у 5.5%.

Примітки

Див. також Довга короткочасна пам'ять Задача розпізнавання образів Штучний інтелект Голосове керування OCR Ефект Мак-Гурка Голосовий пошук Інформативність ознак

Література Т.К. Винцюк. Анализ, распознавание и смысловая интерпретация речевых сигналов. — Киев. Наукова думка, 1987. Методы автоматического распознавания речи: В 2-х книгах. Пер. с англ./Под ред. У. Ли. — М.: Мир, 1983. — Кн. 1. 328 с., ил. Синтез и распознавание речи. Современные решения: А.В. Фролов, Г.В. Фролов.

Посилання Мовні технології. Інформаційний портал Программа для розпізнавання голосу і перетворення в текст