Человеко-машинное взаимодействие. Учебное пособие

10.2. Распознавание речи

Во-первых, человек обычно не делает паузы между словами, а при слитном произнесении к задаче распознавания прибавляется еще и задача выделения слов из потока речи, что заведомо более сложно. Особенно «неприятна» необходимость выделять односложные слова — именно с ними и связано максимальное число ошибок реально существующих систем. Можно, конечно, потребовать, чтобы че- ловек произносил слова по одному, делая достаточно продолжительные паузы (а лучше, чтобы каждое следующее слово произносилось после звукового сигнала от компьютера). Не очень удобно, но для подачи простых команд сгодится.

Следующая проблема — различие голосов, диалектов, дикций и прочие индивидуальные особенности говорящих. Для того, чтобы система работала устойчиво, она должна, например, «осознавать», что мягкое южное и твердое северное «г» — это одна и та же буква.

Существует два существенно различающихся режима работы: с настройкой на голос определенного человека и без такой настройки. Размеры словаря при работе с настройкой на голос (speaker-dependent) в настоящее время могут достигать многих тысяч слов при слитном произнесении. Процедура настройки на голос выглядит следующим образом: человек читает некий специальным образом составленный текст, компьютер распознает слова и выдает вариант распознавания человеку. Человек исправляет ошибки и читает текст снова. После нескольких таких итераций процесс сходится, и компьютер оказывается в состоянии распознавать речь своего «хозяина».

Наконец, последний, наиболее сложный для реализации, но одновременно и наиболее перспективный режим работы — распознавание без настройки на голос. При этом гарантируется, что система распознает любое включенное в словарь слово, кем бы оно ни было произнесено. Здесь, как правило, словари насчитывают небольшое количество слов (обычно не более двух десятков) и существуют для относительно небольшого числа языков (примерно тридцати); русский язык в это число хотя и входит, однако количество распознаваемых русских слов совсем уж невелико. Создание словаря для распознавания речи без настройки на голос — дело весьма сложное и дорогое. Для решения этой задачи разработчикам приходится опрашивать большое число (несколько сотен или даже тысяч) носителей языка, выделять некие общие элементы речи, «усреднять» их определенным способом — и все этого для того, чтобы обеспечить распознавание каких-нибудь десяти-двадцати слов. Чаще всего словарь без настройки на голос пользователя требует раздельного произнесения слов. Для целого ряда приложений этого, однако, оказывается вполне достаточно.

81

10. Речевые технологии

10.3. Программы распознавания речи

Один из самых давних игроков на рынке программ распознавания речи, Dragon Systems, была первой компанией, предложившей в 1997 г. программу распознавания непрерывной речи общего пользования. Позже Dragon предложил улучшенный ее вариант — Dragon NaturallySpeaking Preferred Edition 2.0. Вскоре IBM предложил ViaVoice — аналогичную программу, стоившую на сотни долларов меньше конкурента, но обладающую меньшей точностью распознавания.

NaturallySpeaking и ViaVoice могут работать сразу после того, как вы прочтете несколько предложений. Чтобы добиться лучших результатов следует, однако, произвести 30-минутную тренировку. Чтобы еще лучше подготовить программу следует прочитать текст или импортировать документы, содержащие наиболее часто употребляемые вами слова.

NaturallySpeaking включает большой набор команд форматирования и редактирования, хотя предполагает использование только собственного текстового процессора. При тестировании программа оказалась несложной даже для начинающего. Она имеет точность около 89%. Чтобы добиться точности порядка 95% и разобраться со всеми особенностями и возможностями программы вам придется работать с ней ежедневно и длительное время.

Вообще говоря, NaturallySpeaking не заменяет клавиатуру и мышь. Имея неплохую точность, программа устроена так, однако, что обнаруженные ошибки быстрее устраняются вручную, чем голосовыми командами. Dragon рекомендует использовать микрофоны лишь определенных производителей, среди которых Labtec и Vxi.

Вы можете поупражнять программу распознавать специфические слова и импортировать документы (формата DOC, HTML, RTF и TXT), чтобы расширить имеющийся базовый словарь из 230 000 слов (программа может работать лишь с 30 000 словами единовременно). Вы можете добавить также фразы, состоящие из нескольких слов, например, On-Line! Digest, задавая желаемую пунктуацию и орфографию. Данная программа дает возможность работать нескольким пользователям, каждый из которых может провести собственный цикл подготовительных упражнений.

Большим преимуществом NaturallySpeaking является то, что вам нет необходимости прекращать диктование для внесения исправлений. Сделав ошибку, вам следует лишь сказать «Scratch that» [стрэч зэт] и программа удалит последнее сказанное вами слово. Вы можете свободно перемещаться по документу и форматировать его параллельно с диктованием. Произнося «Correct that» [корэкт зэт], вы открываете окно со списком альтернативных вариантов сказанного вами слова. Если желаемое слово есть в списке, вы произносите «Choose» [чуз] и номер слова в списке. Если слова нет в списке, вы можете произнести его еще раз полностью

82

10.3. Программы распознавания речи

или по буквам (Alpha, Bravo ...). Программа может также воспроизвести пассаж или весь документ.

В заключение отметим наличие голосовых команд управления. Вы можете управлять меню и диалоговыми окнами. Например, произнеся «Click Edit» [клик эдит], вы откроете меню редактирования, а произнеся «Click OK» [клик оукэй] или «Cancel» [кэнсл], вы закроете его. При этом вы можете оперативно работать мышью, выполняя все главные команды — перетаскивание, правый щелчек и т. д.

Чтобы изучить весь набор команд редактирования, форматирования и навигации, имеющиеся в NaturallySpeaking, придется потратить довольно много времени. Этот процесс может быть облегчен заданием вопроса «What Can I Say?» [уот кэн ай сэй] и программа предложит список возможных команд.

NaturallySpeaking очень выиграет, если появится возможность ее интегрирования с другими программами. Хотя и без этого она — лучшая на сегодняшний день программа распознавания непрерывной речи. Программа включена в состав операционной системы Windows. Ее недостаток — отсутствует поддержка русского языка.

«Горыныч» — программа распознавания русской речи. Разработчик — VoiceLock, соразработчик: российская фирма White Computers. Возможности программы:

ввод текста с голоса на русском и английском языке,

голосовое управление периферийным оборудованием; голосовое управление отдельными функциями операционных систем Microsoft Windows 95/98/NT,

голосовое управление функциями текстовых редакторов и прикладных программ,

позволяет оформлять документы, дипломные работы (включая формулы) для школьников, абитуриентов, студентов.

Âпервых версиях программы в качестве ядра системы используется американская программа «Dragon Dictate» и русский модуль, разработанный программистами White; он обеспечивает ввод под диктовку русского текста и голосовое управление по-русски (и те же функции для английского языка). Скорость голосового набора текстов зависит от производительности компьютера и может достигать 500—700 печатных знаков в минуту, что значительно превышает скорость «слепого» метода печатания.

При этом система «Горыныч» осуществляет автоматический контроль правописания: в текстах, введенных с ее помощью, исключены орфографические ошибки, что практически недостижимо при использовании клавиатурного ввода. Во время работы Вы по-прежнему можете пользоваться клавиатурой и мышкой. Чем чаще Вы диктуете, тем больше система «привыкает» к Вашему голосу.

После окончания работы с программой она всегда предлагает Вам сохранить библиотеку произношения пользователя. Отличительной особен-

83

10. Речевые технологии

ностью системы является работа с несколькими библиотеками произношений — их количество может достигать восьми на одном рабочем месте.

Диктовка осуществляется строго по словам, т. е. после каждого слова нужно делать паузу. Длительность паузы может быть совсем небольшой, так что при достаточном опыте скорость ввода с голоса получается довольно высокая. Слова лучше произносить отчетливо, но «как произносится», а не «как пишется» (не будем забывать, что «Горыныч» — надстройка над английской системой, а для английского иной подход просто немыслим). Пожалуй, серьезнее всего задерживает ввод необходимость дожидаться, пока слово появится на экране, — задержка, разумеется, тем заметнее, чем слабее машина.

В новой версии программы с названием «Комбат» декларируется зна- чительное улучшение качества распознавания, переработанный интерфейс, добавление возможности диктовки на английском языке, а также возможность перевода слов (как с русского на английский, так и с английского на русский) перед выводом на экран. Программа использует оригинальное ядро, полностью основанное на российских разработках. Тестирование программы показало посредственное качество распознавания при диктовке — 30% (даже если говорить идеально, с расстановкой слов).

10.4. Подача голосовых команд компьютеру

Резкое увеличение популярности компьютерной телефонии, наблюдаемое в последние годы, в первую очередь связано с технической революцией в этой области — появлением гибких модульных систем на базе открытых стандартов. Это сопровождалось весьма существенным удешевлением аппаратуры и программного обеспечения для этой технологии. В современном понимании, компьютерная телефония — это технология, основанная на интеграции телефона и компьютера в единую телекоммуникационную среду, при этом, с одной стороны, компьютер используется для интеллектуальной коммутации телефонных вызовов, а с другой, телефон превращается в средство удаленного доступа к компьютерным ресурсам при использовании голосового интерфейса с пользователем. К этой же области относятся и другие прикладные компьютерные системы, связанные с поддержкой передачи информации по телефонным линиям, такие как голосовая почта, факсимильная почта, факс-серверы и так далее.

В этой области подача голосовых команд компьютеру становится одним из основных средств управления системой. Человек, имеющий в руках телефонный аппарат, может управлять удаленным компьютером либо набирая определенные комбинации цифр, либо подавая голосовые команды. Первый способ более прост в реализации и, фактически, на сегодняшний день является наиболее распространенным. Однако его воз-

84

10.4. Подача голосовых команд компьютеру

можности существенно ограничены. Попытайтесь, например, представить себе, как может быть устроена подобная информационная система с железнодорожным расписанием. Как вводить станцию назначения? Второй способ потенциально существенно более гибок, позволяет использовать куда больший «ассортимент» команд и избавляет абонента от необходимости вводить длинные комбинации цифр. Впрочем, все эти преимущества носят, так сказать, количественный характер. А вот и качественное. Все стандартные аппаратные средства компьютерной телефонии рассчи- таны на работу с тоновым набором телефонного номера. Между тем, примерно 85% телефонных аппаратов в мире осуществляют импульсную кодировку набранных цифр. По ряду технических причин, на которых мы за недостатком места останавливаться здесь не будем, наиболее удобной альтернативой импульсному набору является именно использование голосовых команд. В условиях России, в частности, это может оказаться единственной возможностью создать полномасштабную прикладную систему компьютерной телефонии.

Каков же арсенал компьютерно-телефонных средств распознавания голоса? Здесь мы имеем в виду только средства модульных систем компьютерной телефонии на базе плат расширения для компьютера, о которых говорилось выше. В них используются специализированные процессоры для цифровой обработки сигналов — DSP, в оперативную память которых в момент включения компьютера загружается программное обеспечение, поддерживающее выполнение всех необходимых функций. Именно это программное обеспечение и отвечает за выполнение всех необходимых операций нижнего уровня; прикладное программное обеспечение определяет только общую логическую структуру приложений. Такое решение дает возможность устанавливать системы компьютерной телефонии даже на относительно слабых персональных компьютерах.

Общая схема распознавания речи такова: поступающий по телефонным линиям голосовой сигнал сначала оцифровывается, а затем по внутренней шине передается на плату расширения для распознавания речи. Собственно распознаванием занимается специальное программное обеспечение, загруженное во внутреннюю оперативную память платы. Существуют и чисто программные средства для распознавания речи. Таковым, в частности, является программа для распознавания речи в компьютерной телефонии VRSoft, представленная компанией Voice Control Systems (VCS). Работа с такой программой позволяет, с одной стороны, избежать расходов на приобретение дополнительного оборудования, а с другой, существенно повышает требования к используемому компьютеру и уменьшает число каналов одновременного распознавания. Например, стандартная плата распознавания речи VR/160, выпускаемая Dialogic, может «обслужить» до 16 каналов одновременно, а возможности VRSoft ограничены четырьмя каналами. Помимо простых плат для распознавания речи, Dialogic выпускает и куда более мощное аппаратное обеспечение — семейст-

85

10. Речевые технологии

во плат Antares, специально предназначенных для разработки продвинутых голосовых приложений. Antares представляет собой четырехпроцессорную плату расширения с большим объемом оперативной памяти. Программируя эту плату, можно создавать любые телефонно-компьютер- ные приложения на одной плате — Antares объединяет в себе возможности всех плат семейства Dialogic. Важным свойством Antares является наличие открытой платформы для разработки загружаемого программного обеспечения, что позволяет программисту выйти за рамки разработки собственно приложений и писать программы непосредственно для DSP-платы.

В компьютерной телефонии применяются все три режима распознавания речи. Распознавание речи с настройкой на голос используется в различных системах, имеющих конкретного хозяина. Например, можно отдавать голосовые команды набора номера при работе с мобильным телефоном — едет человек в машине, включает телефон и произносит: «позвонить в офис» или «позвонить такому-то», а потом система автоматически набирает нужный номер. Для того, чтобы выполнить такую зада- чу, телефон должен быть включен в соответствующую систему, работающую с распознаванием голоса. Далее — пользователь может диктовать по телефону необходимые для отправки сообщения и указывать (также голосом), по какому адресу их следует направлять. Защитные голосовые системы, в которых интонационный рисунок речи используется как пароль, применяются для защиты от несанкционированного доступа к данным.

Распознавание речи без настройки на голос особенно важно для российских пользователей — о причинах этого уже говорилось выше. Как всегда, основой для распознавания речи здесь служат словари распознавания. Всего существует три типа словарей для компьютерной телефонии. Во-первых, это цифровой словарь, требующий раздельного произнесения слов. С его помощью можно распознавать цифры от нуля до девяти, а также простейшие команды типа «да», «нет», «стоп» и так далее. Такие словари созданы для очень многих языков, в том числе и для русского. Второй вид словаря — алфавитно-цифровой, где помимо цифр и простых команд присутствуют наименования всех букв алфавита. Используя такой словарь, можно построить систему, где любое слово можно продиктовать по буквам (например, в справочной системе или системе заказа билетов — наименование станции назначения). Эти словари построены также для многих языков — от английского (с разными акцентами) до иврита и японского, однако с русским языком работать в таком режиме пока нельзя. Третий вид словарей — словари для распознавания слитной речи. Здесь набор слов еще меньше, чем в цифровом словаре — цифры и слова «да» и «нет» — однако допускается их слитное произнесение. Словари для распознавания слитной речи имеются только для небольшого количества языков — английского, французского, немецкого, испанского, корейского и еще нескольких.

86

10.5. Преобразование текст-речь

Российских пользователей, бесспорно, более всего может заинтересовать вопрос, насколько качественно осуществляется распознавание цифр в условиях нашей телефонной сети. Московская компания CompTek International, занимающаяся адаптацией аппаратных и программных средств компьютерной телефонии к работе в российских условиях, провела тестирование распознавания наименований цифр. От цифры к цифре результаты несколько разнятся, но в целом частота правильного распознавания составляет 75-80 процентов, что позволяет говорить о достаточно устой- чивой работе системы. Появились и первые российские приложения технологии распознавания телефонной речи. Так, компания «Империя» недавно представила свой продукт, где распознавание речи применяется для поддержки голосового набора номера на мобильном телефоне. Это слегка напоминает способ, когда вы отдаете команды телефону, о чем говорилось чуть выше, только здесь пользователь должен по одной перечислить все цифры номера. Прежде всего, такая система очень удобна для тех, кому часто приходится звонить по телефону, сидя за рулем автомобиля. Другой пример системы, работающей с распознаванием речи на русском языке — система подбора кадров, продукт компании Артикс. При работе с этой системой абоненту задается ряд вопросов, ответы на которые предлагается дать, назвав номер подходящего варианта (варианты ответа также озвучиваются системой). Произнесенный номер распознается системой и заносится в базу данных.

10.5. Преобразование текст-речь

Обратная операция по отношению к распознаванию речи — преобразование текст-речь. Так называется технология, позволяющая генерировать речь по тексту. Основная область применения — различные автоматические системы, предусматривающие голосовую передачу информации: справочные системы или программы автоматического чтения по телефону. Чуть ниже мы несколько подробнее расскажем об этих применениях.

Простейшая разновидность преобразования текст-речь — «сборка» сообщений из отдельных речевых фрагментов. Пример — информатор железнодорожной справочной, где в заранее заготовленное сообщение надо подставить наименование станции назначения, время отправления и (или) стоимость билета. Для этого надо заготовить речевые фрагменты с числительными и некоторыми дополнительными словами, чтобы сообщение звучало более естественно (например, надо учесть, что по-русски говорят «двадцать один рубль» и «двадцать два рубля», но «двадцать пять рублей»). Кроме того, необходимо, чтобы вставляемые речевые фрагменты правильно вписывались в общий интонационный рисунок фразы. Добиться этого не так просто, однако вполне возможно. Аналогичные систе-

87

10. Речевые технологии

мы, озвучивающие суммы остатка средств на счете и другую информацию (banking by phone), уже используются целым рядом российских банков.

В качестве аппаратной базы для реализации подобных систем можно применять любую компьютерную аппаратуру для воспроизведения оцифрованной речи. В частности, для этого подойдет и Sound Blaster. Для телефонных же приложений (которые, с нашей точки зрения, наиболее интересны — какой смысл озвучивать информацию человеку, который стоит рядом с компьютерным монитором) применяются голосовые платы, способные воспроизводить оцифрованную речь по телефонным линиям. Такие платы выпускаются многими компаниями. Подчеркнем, что сама генерация сообщений осуществляется в рамках прикладной программы, голосовая же плата используется просто для воспроизведения речи.

Техника сборки из готовых речевых фрагментов позволяет реализовать подавляющее большинство приложений, где требуется синтезировать голосовое сообщение по текстовой информации. В последнее время, однако, все большее распространение получают программы, основанные на гораздо более мощной и универсальной технике синтеза голосовых сообщений по произвольному тексту. Именно эту технику, как правило, и имеют в виду, говоря о преобразовании текст-речь.

В настоящее время существуют два принципиально различных способа смоделировать человеческую речь. Первый из них предполагает моделирование собственно голосового сигнала. В этом случае, как и при распознавании речи, речь разбивается на элементы, из которых впоследствии «собираются» отдельные слова и текст в целом. Второй подход — моделирование голосового аппарата человека. Известно, каким образом изменяется положение губ, языка и зубов при произнесении того или иного звука. Зная это, можно синтезировать соответствующий звук.

Однако все это очень сложно. Во-первых, надо добиться, чтобы сами синтезируемые звуки были естественными. Во-вторых (что, наверное, еще сложнее) надо «снабдить» искусственную речь естественными интонациями и ударениями в словах. Все это привело к тому, что прямое преобразование текст-речь применяется не слишком широко, а сама синтезированная речь звучит достаточно неестественно.

Появились, впрочем, первые промышленные приложения этой технологии. Так, в состав продукта GroupWise 4.1 (Novell) в качестве дополнительного средства входит программа, осуществляющая чтение электронных писем по телефону. Разумеется, эта система работает только с английским языком.

Отдельного упоминания заслуживает очень модное в настоящее время направление — чтение страниц Internet по телефону. В частности, именно эту задачу решает продукт Web-On-Call Voice Browser, представленный компанией NetPhonic Communication Inc. Данный продукт обеспечивает доступ к Internet всем пользователям, имеющим телефон с тоновым набором. Абонент такой системы может прослушивать содержание докумен-

88

10.6. Телефонная связь через Internet

тов по телефону и получать копии документов по факсу или электронной почте — для доступа к нужному документу достаточно пройти по «дереву» голосовых меню.

Используется преобразование текст-речь и в приложениях компьютерной телефонии — на нем основаны различные информационные системы, где воспроизведение информации не сводится к озвучиванию числительных. Уже не раз упоминавшийся Dialogic, в частности, выпускает специальные платы на базе DSP, где преобразование текст-речь выполняется программным обеспечением, загруженным в оперативную память платы. К сожалению, с русским языком это программное обеспечение пока не работает, хотя в последнее время появились сообщения, что компания BeST (Berkeley Speech Technologies) близка к завершению программного обеспечения преобразования текст-речь для русского языка.

10.6. Телефонная связь через Internet

Итак, мы рассказали о том, какие средства существуют для построения приложений доступа к корпоративным информационным системам по телефонной сети. Теперь рассмотрим, каким образом можно применить компьютерную телефонию для решения обратной задачи — осуществления связи между телефонными сетями удаленных друг от друга филиалов компании через компьютерную сеть Internet.

Не так давно компания VocalTec анонсировала новый продукт под названием VocalTec Telephony Gateway. Данный продукт представляет собой аппаратно-программный шлюз между PBX, обслуживающей офисную телефонную сеть, и всемирной компьютерной сетью Internet. Сотрудник организации, где используется данная технология, может набирать местный номер любого другого сотрудника этой организации, не заботясь о том, где фактически находится данный сотрудник — в соседней комнате или в удаленном на несколько тысяч километров филиале компании.

Офисная PBX, получив от сотрудника «местный» номер, в первую очередь определяет, находится ли вызываемый номер в том же офисе, или речь идет о вызове удаленного филиала. Если звонок местный, то PBX выполняет все необходимые действия самостоятельно. Если же необходима дальняя связь, то звонок передается на обработку в Telephony Gateway. Последний определяет Internet-адрес требуемого филиала (в соответствии с набранным местным номером). В процессе разговора шлюз оцифровывает, сжимает и разделяет на пакеты голосовой сигнал, после чего передает его по Internet. В удаленном офисе стоит точно такой же шлюз, выполняющий обратное преобразование. Получающийся голосовой сигнал передается местной PBX, которая и отправляет его по назначению.

На аппаратном уровне шлюз Telephony Gateway представляет собой отдельный персональный компьютер, где установлены компьютерно-те-

89

10. Речевые технологии

лефонные платы производства Dialogic: плата интерфейса с PBX и голосовая плата, выполняющая необходимую оцифровку и сжатие голоса. Кроме того, в компьютере установлена плата, осуществляющая функции интерфейса между системой и глобальной сетью. Для работы со шлюзом необходим компьютер классом не ниже 486-DX/4-100 с оперативной памятью не менее 24 мбайт, на котором установлено программное обеспе- чение Windows NT 4.0 Workstation. Один IP-адрес можно использовать для обслуживания максимум четырех телефонных линий. При этом на одну телефонную линию требуется канал пропускной способностью 11 Кбит/с.

Для сотрудника, набирающего номер удаленного офиса, весь процесс соединения не слишком отличается от того, как если бы вызываемое им лицо находилось за соседней стенкой. Отличие состоит, во-первых, в том, что шлюз VocalTec может обеспечивать голосовую поддержку процессу соединения — выдавать какие-либо подсказки (если это необходимо) или голосовую информацию о результатах соединения. Кроме того, поскольку речь идет о связи через Internet, в разговоре неизбежно возникают паузы продолжительностью в доли секунды — примерно как при использовании спутникового телефона. Для большинства применений такое качество связи вполне удовлетворительно, а стоимость переговоров может быть порядка на два ниже.

10.7. Идентификация по образцу речи

Специалисты утверждают, что речь человека столь же индивидуальна, как отпечатки пальцев. Это наводит на мысль использовать рисунок речи человека для построения различных охранных систем. Система настраивается на голос человека (или на голоса некоторого числа людей — задав соответствующий персональный код, можно заставить систему загрузить требуемый словарь распознавания); для входа в систему человек должен произнести заранее условленное слово или комбинацию слов. При этом гарантируется, что компьютер среагирует только на голос своего хозяина — все остальные голоса просто не будут «поняты».

90