Entwodiksyon
Mwen pase anpil tan fè rechèch pou atik ak trè souvan mwen panse osijè de matyè a pou yon atik tou mache nan estasyon tren oswa lè deyò ak sou an jeneral.
Yon aswè tou mache 1.5 kilomèt nan estasyon an nan travay mwen mwen te panse "pa ta li bon si mwen te kapab ekri sa mwen vle di ak Lè sa a, genyen li transkri otomatikman nan yon dosye tèks ki mwen te kapab edite ak fòma pita sou" .
Mwen te pase anpil èdtan long gade nan opsyon ki disponib diferan pou rekonesans vwa ak dikte ki gen ladan anrejistreman dirèkteman nan yon mikwofòn lè l sèvi avèk lojisyèl dikte nan Linux, anrejistreman dosye a MP3 oswa WAV fòma ak konvèti li atravè liy lan lòd, osi byen ke lè l sèvi avèk Chrome ak aplikasyon android.
Atik sa a endike rezilta mwen apre jou travay di.
Opsyon Linux
Eseye jwenn diktasyon ak lojisyèl rekonesans vwa nan Linux se pa tankou fasil tankou li te kapab ak opsyon ki disponib yo se pa sa ki entelijan.
Paj sa a wikipedia gen yon lis opsyon potansyèl ki gen ladan CMU sfenks, Julius ak Simon.
Se mwen menm ki itilize SparkyLinux ki baze sou Tès Debian nan moman sa a epi mwen ka di ou ke pake a sèlman rekonesans vwa ki disponib nan repositories yo se sfenks.
Pwogram Linux natif natal yo mwen te fini ap eseye yo te PocketSphinx, ki mwen itilize konvèti dosye WAV nan tèks ak Freespeech-VR ki se yon aplikasyon python ki pèmèt ou ekri tou dwat nan yon mikwofòn.
Mwen menm mwen te eseye yon koup nan apps Chrome ki gen ladan VoiceNote II ak Dictanote.
Finalman mwen te eseye "Diktasyon ak Imèl" ak "Pale ak Diskou Diktasyon" Android Apps.
Freespeech-VR
Freespeech-VR pa disponib nan repositories estanda yo. Mwen telechaje dosye yo soti isit la.
Apre telechaje ak èkstraksyon sa ki nan dosye a postal mwen louvri yon tèminal ak navige nan katab la kote dosye yo te ekstrè yo.
Mwen tape lòd sa a yo louvri freespeech-vr.
sudo python freespeech-vr
Mwen gen yon pè nan kas ekoutè ak yon mikwofòn san patipri desan ak yon jistis klè sid angle aksan.
Tèks sa a parèt nan fenèt freespeech-vr la:
Byenveni nan chen an inite nan rezilta Jodi a Gen asire ki jan yo kontwole Tès yon gen teste lè tèks Itilize yon fason sistèm la Lapawòl mwen nan youn chak te sèlman nan yon espwa pou rete ak mwayen yo nan yon sèl an lò lò kòm sistèm Ea a lè li non mwen an pwochen pous apèl telefòn Fichye sa a Byento ase yon ka telefòn nan Hands- Espas sfenks la Ale Sa a se pa yon telefòn yo pral pataje Yon fòme ak zouti Sèvi ak pale Lè ou fin di Di Yon dosye yo itilize Denye yon istwa A ak lè l sèvi avèk yon pa lè a se trè ki jan siksè Linux sa a te tankou ou evite se
Mwen ta jis renmen di kounye a ke sa a se pa Inite nan chen sit entènèt ak nan pa gen pwen mwen te mansyone anyen fè ak Golden poul. Mwen te aktyèlman ap eseye dekri pwosesis la nan lè l sèvi avèk lojisyèl rekonesans vwa.
Mwen te eseye lojisyèl an yon fwa kèk ki gen ladan varyete goudwon ak vitès, men presizyon an te pòv yo.
PocketSphinx
PocketSphinx se kapab pran yon dosye WAV ak konvèti li nan tèks lè l sèvi avèk liy lan bay lòd.
PocketSphinx ki disponib atravè repositories yo Debian e yo ta dwe disponib pou pifò distribisyon.
Pwoblèm nan prensipal mwen te jwenn ak PocketSphinx se ke ou nòmalman bezwen yon degre nan konsèp nan rekonesans vwa, dosye lang, diksyonè ak ki jan nan tren sistèm lan.
Apre enstale PocketSphinx ou ta dwe ale nan sit wèb la sfeno CMU epi li li kòm anpil enfòmasyon ke posib. Ou bezwen tou download dosye modèl sa a.
- US English Generic Language Model
(Si ou pa yon oratè natifnatal angle chwazi modèl lang ki apwopriye pou ou).
Dokiman an pou PocketSphinx ak sfenks an jeneral difisil pou konprann pou moun ki kouche men nan sa mwen te kapab fè soti dosye diksyonè yo itilize bay yon lis mo posib ak modèl lang gen yon lis potansyèl pwononsyasyon.
Pou teste PocketSphinx mwen te itilize yon anrejistreman nan pwòp vwa mwen, yon brib nan Al Pacino nan "Devil Defansè" ak yon brib nan "Morgan Freeman". Pwen sa a te eseye vwa diferan ak pou m 'pa gen moun ki ka rakonte yon istwa kòm klèman kòm Morgan Freeman ak pèsonn pa delivre yon liy tankou Al Pacino.
Pou PocketSphinx nan travay li bezwen yon dosye WAV ak li bezwen yo dwe nan yon fòma sèten. Si dosye a se nan fòma MP3 sèvi ak lòd la ffmpeg konvèti li nan fòma WAV:
ffmpeg -i inputfilename.mp3 -acodec pcm_s16le -ar 16000 outputfilename.wav
Pou kouri PocketSphinx itilize lòd sa a:
pocketsphinx_continuous -dict /usr/share/pocketsphinx/model/lm/en_US/cmu07a.dic -infile voice2.wav -lm cmusphinx-5.0-en-us.lm 2> voice2.log
pocketsphinx_continuous pran yon dosye WAV ak konvèti li nan tèks.
Nan lòd ki pi wo a pocketsphinx yo te di yo sèvi ak yon dosye diksyonè ki rele "/usr/share/pocketsphinx/model/lm/en_US/cmu07a.dic" ak modèl la lang "cmusphinx-5.0-en-us.lm". Te dosye a konvèti nan tèks yo rele voice2.wav (ki se yon anrejistreman mwen te fè ak vwa mwen). Finalman 2 a> mete tout pwodiksyon vèbal ke ou pa nesesèman bezwen nan yon dosye ki rele voice2.log. Rezilta aktyèl yo nan tès la ap parèt nan fenèt la tèminal.
Rezilta yo lè l sèvi avèk vwa mwen yo jan sa a:
Byenveni nan pwochen an sou byen pa gen okenn sijè sa a semèn sou ki lojisyèl rekonesans nan yon minit
Rezilta yo pa kòm épouvantabl menm jan ak freespeech-vr men yo toujou pa reyèlman itilizable. Mwen Lè sa a, te eseye lè l sèvi avèk PocketSphinx ak Al Pacino men sa a retounen pa gen okenn rezilta nan tout.
Finalman, mwen te eseye itilize vwa Morgan Freeman nan fim "Bruce Toupisan an" e isit la se rezilta yo:
000000000: nou pral sou li
000000001: yo tout sa difisil yeah jou sa a kounye a yeah sa a se pi plis nou te vivan mwen se pati pa cho a
000000002: nan asansè a ki nan kle a soti nan yon ti jan nan bezbòl èks oswa konnen ki sa pou fè pou nan lavi
000000003: ki sa yo ki pral geri
000000004: yo pa t 'ekri li
000000005: yo gen sou mwen dwa soti
000000006: ou dwe règleman
000000007: mwen te ap tann ou
000000008: e li te aprann isit la sa ki te yon ilistrasyon se te asasen Nwèl pati a
000000009: li vire soti youn nan fason pou ekri o. bourik mwen te panse kèk toujou mete yon sèl
000000010: tankou pwoblèm nan ini pa pral ba li bon an mwen estime yo nan moman sa a lè nou pa t 'tout sa ou panse mwen nan mond lan ap kay ak mwen te wè sa
000000011: yon papa ki genyen li
000000012: sa anpil sou sa
000000013: fè sa
000000014: tout bagay ou moun ki pa tonbe pou anpil
000000015: dwa nan sezon otòn la
000000016: byen kenbe sou jis pou mwen
000000017: li yon kontan si mwen panse tou ke yo pwal gen yon ki sa a ki pral tout moun ki marye sou yon te pa gen okenn nou fè mwen renmen kontrèman ak wout la
Ka tès mwen an ka diman konsidere kòm syantifik ak devlopè yo nan PocketSphinx ka deklare ke mwen pa itilize lojisyèl an kòrèkteman. Genyen tou yon teknik ki rele fòmasyon vwa ki ka itilize yo kreye pi bon diksyonè ak dosye lang.
Opinyon ekstrè mwen menm si se ke li se jis twò difisil pou itilize estanda chak jou.
VoiceNote II
VoiceNote II se yon app Chrome ki itilize API Rejis Vwa Google la.
Si w ap itilize navigatè Chrome yo oswa Chromium ou ka enstale VoiceNote II via magazen entènèt la .
Ikon yo sou VoiceNote II yo mete deyò nan yon mòd etranj jan ou bezwen yo mete kanpe lang lan nan pati anba a nan fennèt la ak bouton an edite se tou nan pati anba a, sepandan bouton an dosye se nan tèt pozisyon an dwa.
Premye bagay ou bezwen fè se chwazi yon lang e sa ka reyalize pa klike sou icon nan mond lan.
Pou kòmanse anrejistreman, klike sou ikon mikwofòn epi kòmanse pale nan mikwofòn ou. Pou rezilta yo pi byen mwen jwenn pale tou dousman te kle pou lojisyèl an ta gen yon chans kenbe.
Rezilta yo pa t 'gwo jan yo ka wè pi ba a:
Bonjou ak akeyi yo konekte. About.com jodi a atik sou vwa a konvèsyon tèks dunelm resèt farrell 2008 kòm konvèsyon ak li te di byen sipòte fason ki pi bon mwen jwenn adon tèks vwa yo montre 2014debian oswa rpm pake louvri li vwa kalite diskou nan tèks louvri li si ou vle chwazi vs te chwazi nan edinburgh franse german jwenn ou tan an nan Wayòm Ini nan lanmè microphonewhat ou fini ekri tèks ou kòm yon dosye tèks itsuccess byen sa a trè estanda angle aksan soti nan sid england pi bon pou li men mwen pral textvia sa a torrentalong ak dokiman aktyèl la epi ou ka wè pou erè ki makethank ou pou listeningsfriends
Diktanote
Dictanote se yon lòt Chrome App ki ka itilize pou rezon diktasyon ak te vin atravè kòm ke yo te plis entwisyon men rezilta yo pa t 'pi bon pase VoiceNote II.
Mwen sèlman itilize vèsyon an Demo nan Dictanote ki anpeche ou kreye nouvo dokiman men li pèmèt ou pale sou tèks ki deja nan editè a. Mwen te kapab teste rekonesans an vwa men rezilta yo pa t 'pi bon pase VoiceNote II ak Se konsa, mwen pa t' enskri pou vèsyon an pro.
Diktasyon ak lapòs
"Diktasyon ak Mail" se yon aplikasyon android ki itilize natif natal Google API rekonesans an vwa.
Rezilta ki soti nan "Diktasyon ak Mail" te pi bon pase nenpòt nan pwogram nan lòt eseye jiska pwen sa a.
Alo akeyi Linux sou., jodi a nou ap pale de konvèti son nan tèks
Trick a ak "Diktasyon ak Mail" se pale dousman ak pwononsyasyon kòm byen ke ou ka ak yon aksan menm.
Apre ou fin fin pale ou ka imèl rezilta yo nan tèt ou.
Pale ak Diktasyon Pale
Lòt aplikasyon an android ke mwen te eseye te "Pale ak Pale dikte".
Koòdone a pou app sa a te pi bon nan pakèt la ak rekonesans an vwa te travay trè byen tout bon. Apre anrejistreman dikte a mwen te kapab pataje rezilta yo nan divès fason ki gen ladan via imel.
Byenveni nan linux sou.com jodi a nou ap pale sou konvèti lapawòl nan tèks
Kòm ou ka wè tèks ki anwo la a se osi klè ke ou ka pètèt espere jwenn. Pale tou dousman se kle a.
Rezime
Linux natif natal gen kèk fason yo ale ak konsidere rekonesans vwa ak espesifikman dikte. Gen kèk aplikasyon ki itilize Google Vwa API a men yo pa ankò ki nan lis nan repositories.
ChromeOS aplikasyon yo se yon ti jan pi bon, men pa lwen rezilta yo pi byen yo te reyalize lè l sèvi avèk telefòn android mwen an. Petèt telefòn nan gen yon mikwofòn pi bon ak Se poutèt sa lojisyèl an rekonesans vwa kanpe yon chans pi bon nan konvèsyon.
Pou rekonesans vwa yo vin vrèman ka itilize li bezwen plis entwisyon ak mwens konfigirasyon obligatwa. Ou pa ta dwe bezwen dezòd alantou ak modèl lang ak diksyonè yo nan lòd fè li konpreansibl.
Mwen apresye sepandan ke atizay la an antye nan rekonesans vwa se trè difisil paske tout moun gen yon vwa diferan ak gen anpil dyalèk soti nan rejyon nan rejyon nan yon sèl peyi nevermind mangonmen sou dè santèn de lang yo itilize nan tout mond lan.
Analiz mwen, Se poutèt sa, se ke lojisyèl rekonesans vwa se toujou travay nan pwogrè.