Witam

Aktualnie jestem zielony w tym temacie, ale moze ktos podsunie
mi kierunek poszukiwan. Czy ktos praktycznie implementowal
algorytmy rozpoznawania mowy ma uP lub DSP.
Chodzi mi o rozpoznawanie prostych fraz jak np.
"wlacz/wyłącz (nazwa urzadzenie/pomieszczenia)". System powinien reagowac
na głos 4-5 roznych osob, gdzie fraza jest wypowiadana z roznych
czesci pomieszczenia
Myslalem o potraktowaniu sygnalu FFT i zastosowaniu np. SSN.
Aplikacja do rozpoznawania liter dosc dobrze sie spisywala przy
zastosowaniu SSN - jednak to byla aplikacja na PC.
ednak mysle ze jakies dedykowane algorytmy beda znacznie skuteczniejsze.

Pzdr
Darek

do góry

> Witam
>
> Aktualnie jestem zielony w tym temacie, ale moze ktos podsunie
> mi kierunek poszukiwan. Czy ktos praktycznie implementowal
> algorytmy rozpoznawania mowy ma uP lub DSP.
> Chodzi mi o rozpoznawanie prostych fraz jak np.
> "wlacz/wyłącz (nazwa urzadzenie/pomieszczenia)". System powinien reagowac
> na głos 4-5 roznych osob, gdzie fraza jest wypowiadana z roznych
> czesci pomieszczenia
> Myslalem o potraktowaniu sygnalu FFT i zastosowaniu np. SSN.
> Aplikacja do rozpoznawania liter dosc dobrze sie spisywala przy
> zastosowaniu SSN - jednak to byla aplikacja na PC.
> ednak mysle ze jakies dedykowane algorytmy beda znacznie skuteczniejsze.
>
> Pzdr
> Darek
>
>
>
Dla ścisłości. Litery się widzi a głoski słyszy. Wybacz ale nie da się nic
zrobić jak się nie ma podstaw.

--
Wysłano z serwisu OnetNiusy: http://niusy.onet.pl

do góry

Darek wrote:
> Witam
>
> Aktualnie jestem zielony w tym temacie, ale moze ktos podsunie
> mi kierunek poszukiwan. Czy ktos praktycznie implementowal
> algorytmy rozpoznawania mowy ma uP lub DSP.


Ja tez jestem zielony ale tak sobie mysle - w zadnym z posiadanych telefonow
nie bylem do konca zadowolony z tego rozwiazania. Nie lapie za pierwszym razem
wypowiedzianego imienia, np tato - moze za krotkie? To jak nazwac tatusia
kochanego, tatusiek moze by wystarczylo? A ty jeszcze chcesz by to rozpoznawalo
glos kilku osob, bardzo podobne slowa wlacz/wylacz i to z konca pomieszczenia i
szeptem pewnie tez ma sie wlaczyc (np jak bedziesz chore mial gardlo to nie
krzykniesz przeciez). Technologia ma juz wiele lat za soba w komorkach a nadal
taki bajer nie jest idealny...

do góry

> Ja tez jestem zielony ale tak sobie mysle - w zadnym z posiadanych
> telefonow nie bylem do konca zadowolony z tego rozwiazania. Nie lapie za
> pierwszym razem wypowiedzianego imienia, np tato - moze za krotkie? To jak
> nazwac tatusia kochanego, tatusiek moze by wystarczylo? A ty jeszcze
> chcesz by to rozpoznawalo glos kilku osob, bardzo podobne slowa
> wlacz/wylacz i to z konca pomieszczenia i szeptem pewnie tez ma sie
> wlaczyc (np jak bedziesz chore mial gardlo to nie krzykniesz przeciez).

ok co ja chce osiagnac. Mutacje mam juz za soba wiec jezeli pojawia
sie bledy rozpoznawnia jezeli bede mial chore gardlo, to przezyje.
Co do ilosci osob mozna wlasciwie ograniczyc do trzech.

Wlasnie przez warunki - czyli wypowiadanie komend z roznego miejsca
w pomieszczeniu przez 3 rozne osoby - pomyslalem o sieciach neuronowych,
poniewaz jak pisalem wczesniej, testowalem juz takie rozwiazanie przy
rozpoznawaniu
liter pisanych przez rozne osoby. Dzialalo dosc skutecznie. Zdaje sobie
sprawe
ze rozpoznanie glosu bedzie znacznie bardziej skomplikowane.

Co do telefonow komorkowych, to nie podejzewam aby ktos stosowal tam
wyszukane metody rozpoznawania mowy - jest to taki gadzet dzieki ktoremu
telefon ma sie sprzedawac lepiej, po drugie jakosc mikrofonu jest
jaka jaest w telefonie jak i skutecznosc. Moj system mial by rozpoznawac
wyselekconowane slowa, niekoniecznie wlacz lub wylacz, ktore sa faktycznie
bardzo podobne, jakies slowa kluczowe, ktore rozna sie miedzy soba i
najlatwiej
rozpoznac.

Pzdr
Darek

do góry

> Myslalem o potraktowaniu sygnalu FFT i zastosowaniu np. SSN.
> Aplikacja do rozpoznawania liter dosc dobrze sie spisywala przy
> zastosowaniu SSN - jednak to byla aplikacja na PC.
> ednak mysle ze jakies dedykowane algorytmy beda znacznie skuteczniejsze.

IMHO pozostałbym przy embedded PC, bo jakoś to sobie słabo wyobrażam na
mikrokontrolerze, o ile ma być faktycznie skuteczne.
Ale prawdę mówiąc, w ogóle sobie to słabo wyobrażam, i raczej bym się nie
spodziewał, że ktos udostępni koledze
swoje programy (zwłaszcza o ile jako tako działają), bo taka dobrze
działająca aplikacja sporo by była warta :)
Zatem pozostają kombinacje z pisaniem własnego programu, no, chyba że to
jakiś mocno komercyjny produkt ma być, to może
się ktoś zgłosi. A o ile to ma być w jakimś sensownym budżecie, to jakieś
mini itx, może jakiś komercyjny soft do tego (chociaż są jakieś free też),
choć zapewne będzie problem ze sterowaniem czegokolwiek poza samym PC, bo
generalnie te programy do tego służą...
Ale - może jakaś nakładka na dostępny soft...

do góry

Órzytkownik "sundayman" napisał:
>> Myslalem o potraktowaniu sygnalu FFT i zastosowaniu np. SSN.
>> Aplikacja do rozpoznawania liter dosc dobrze sie spisywala przy
>> zastosowaniu SSN - jednak to byla aplikacja na PC.
>> ednak mysle ze jakies dedykowane algorytmy beda znacznie skuteczniejsze.
>
> pozostałbym przy embedded PC, bo jakoś to sobie słabo wyobrażam na
> mikrokontrolerze, o ile ma być faktycznie skuteczne.
> Ale prawdę mówiąc, w ogóle sobie to słabo wyobrażam, i raczej bym się nie
> spodziewał, że ktos udostępni koledze
> swoje programy (zwłaszcza o ile jako tako działają), bo taka dobrze
> działająca aplikacja sporo by była warta :)
> Zatem pozostają kombinacje z pisaniem własnego programu, no, chyba że to
> jakiś mocno komercyjny produkt ma być, to może
> się ktoś zgłosi. A o ile to ma być w jakimś sensownym budżecie, to jakieś
> mini itx, może jakiś komercyjny soft do tego (chociaż są jakieś free też),

widziałem program na PC (jakiś pentium 200MHz, dawny znajomy się w to bawił)
rozpoznający pojedyńcze słowa, oparty na sioeci neuronowej, więc jest to
spokojnie do zrobienia, nie wiem tylko po co autor chce komplikowac to
transformatą furiera?:O)
moim zdaniem wystarczy sieć odbierająca dzwięk z mikrofonu:O)

do góry

> widziałem program na PC (jakiś pentium 200MHz, dawny znajomy się w to
> bawił) rozpoznający pojedyńcze słowa, oparty na sioeci neuronowej, więc
> jest to spokojnie do zrobienia, nie wiem tylko po co autor chce
> komplikowac to transformatą furiera?:O)
> moim zdaniem wystarczy sieć odbierająca dzwięk z mikrofonu:O)

Ale autor wątku chciałby żeby to działało, a nie "działało" :)
Więc obawiam się, że 200 MHz moż być mało. Przykładowo, mam w maku (znaczy w
OSX)
wbudowane w system rozpoznawanie, tyle że po angielsku, no i to właśnie
"działa", a nie działa...
Skuteczne rozpoznawanie mowy to chyba ciągle trochę "święty Graal" jest...

do góry

> Chodzi mi o rozpoznawanie prostych fraz jak np.
> "wlacz/wyłącz (nazwa urzadzenie/pomieszczenia)". System powinien reagowac
> na głos 4-5 roznych osob, gdzie fraza jest wypowiadana z roznych
> czesci pomieszczenia
> Myslalem o potraktowaniu sygnalu FFT i zastosowaniu np. SSN.
> Aplikacja do rozpoznawania liter dosc dobrze sie spisywala przy
> zastosowaniu SSN - jednak to byla aplikacja na PC.
> ednak mysle ze jakies dedykowane algorytmy beda znacznie skuteczniejsze.

Z FFT (czyli dziedzina częstotliwości) to będzie mały problem, brak okresowości
sygnału, prócz tego jest zmienny w czasie. Chociaż tak akurat wygląda model
słuchu u ssaków. "Na oko", bo rozpoznawaniem głosu się nie zajmowałem, powinna być
to architektura SSN w układzie jednokierunkowym i jej wejścia w układzie
temporalnym (dziedzina czasu).
Powodzenia.
K.

do góry

> Skuteczne rozpoznawanie mowy to chyba ciągle trochę "święty Graal"
> jest...


http://www.youtube.com/watch?v=IkeC7HpsHxo&feature=r
elated

to chyba jest lepsze od slynnego BSOD jak mikro miekki podlaczyl USB do win98?
na jakies konferencji :-)


Sa jescze inne filmy ale chodzi o to samo, wpiszesz cos, chcesz skasowac a ten
zapisuje komende zamiast ja wyknac! Moze lepiej np komendy wydwac z zamknietym
nosem? Tak wiec uwazam ze kilka slow to sie da pudlo smierdzace nauczyc
rozpoznac ale takie cos jak na filmie? Na razie wkladam miedzy bajki a na
klawiaturze pisze bardzo szybko, praktyka czyni mistrza. Tylko lokiec tenisisty
oraz nadgarstki hmmm cierpia.

F... vista , nie ma jakis organizacji zrzeszajacych poszkodowanych przez ten
powolny jak mucha w smole a jednoczescnie ciezki jak slon, system operacyjny?

do góry

Órzytkownik "sundayman" napisał:
> Ale autor wątku chciałby żeby to działało, a nie "działało" :)
> Więc obawiam się, że 200 MHz moż być mało.

e tam, na 200MHz poza programem rozpoznającym można było jeszcze w tym samym
czasie grać w Queika:O)


> Przykładowo, mam w maku wbudowane w system rozpoznawanie, tyle że po
> angielsku, no i to właśnie "działa", a nie działa...
> Skuteczne rozpoznawanie mowy to chyba ciągle trochę "święty Graal" jest...

e tam, swego czasu wojsko usa wzięło ogromne fundusze na to i jestem pewien
że mają to w paluszku:O)
zresztą sieć neuronowa nie wymaga wielkiej mocy obliczeniowej, cała zabawa
polega na dobrym jej zaprojektowaniu i nauczeniu, a nauczona sieć wykonuje
to do czego została nauczona automatycznie i bez wysiłku:O)
zastanowiło mnie tylko co miała by wnieść do tematu FFT? przecież jest ona
zasobożerna na PC, bo oczywiście są specjalne procesorki co robią to w
czasie rzeczywistym.

do góry