วิธีแปลงคำพูดเป็นข้อความด้วย Python [กระบวนการทีละขั้นตอน]

บทนำสู่คำพูดเป็นข้อความ

เรากำลังอยู่ในยุคที่วิธีการโต้ตอบกับเครื่องจักรมีความหลากหลายและซับซ้อน เราได้พัฒนาจากปุ่มกลไกแบบหนาๆ ไปจนถึงอินเทอร์เฟซหน้าจอสัมผัส แต่วิวัฒนาการนี้ไม่ได้จำกัดอยู่แค่ฮาร์ดแวร์เท่านั้น สถานะที่เป็นอยู่สำหรับการป้อนข้อมูลสำหรับคอมพิวเตอร์เป็นข้อความตั้งแต่เริ่มปฏิสนธิ ด้วยความก้าวหน้าใน NLP (การประมวลผลภาษาธรรมชาติ) และ ML (การเรียนรู้ของเครื่อง) Data Science เรามีเครื่องมือในการรวมคำพูดเป็นสื่อในการโต้ตอบกับแกดเจ็ตของเรา

เครื่องมือเหล่านี้อยู่รอบตัวเราแล้วและให้บริการเราโดยทั่วไปในฐานะผู้ช่วยเสมือน Google, Siri, Alexa ฯลฯ เป็นความสำเร็จครั้งสำคัญในการเพิ่มมิติที่เป็นส่วนตัวและสะดวกยิ่งขึ้นในการโต้ตอบกับโลกดิจิทัล

ไม่เหมือนกับนวัตกรรมทางเทคโนโลยีส่วนใหญ่ เทคโนโลยีเสียงพูดเป็นข้อความพร้อมให้ทุกคนได้สำรวจ ทั้งเพื่อการบริโภคและเพื่อสร้างโครงการของคุณ

Python เป็นหนึ่งในภาษาโปรแกรมที่ใช้กันมากที่สุดในโลก มีเครื่องมือสำหรับสร้างคำพูดเป็นแอปพลิเคชันข้อความ

ประวัติการพูดเป็นข้อความ

ก่อนที่เราจะสำรวจข้อความสั่งเป็นข้อความใน Python คุณควรชื่นชมความก้าวหน้าของเราในด้านนี้ ต่อไปนี้เป็นไทม์ไลน์แบบง่ายของ:

• ออเดรย์ ,1952: ระบบรู้จำเสียงพูดระบบแรกที่พัฒนาโดยนักวิจัยห้องปฏิบัติการ 3 Bells มันสามารถรับรู้ได้เฉพาะตัวเลขเท่านั้น
• IBM Showbox (1962): ระบบรู้จำเสียงพูดระบบแรกของ IBM ที่คอยล์จดจำคำได้ 16 คำนอกเหนือจากตัวเลข สามารถแก้การเขียนตามคำบอกเลขคณิตอย่างง่ายและพิมพ์ผลลัพธ์ออกมาได้
• สำนักงานโครงการวิจัยขั้นสูงด้านการป้องกันประเทศ (DARPA) (1970): DARPA ให้ทุนสนับสนุนการวิจัยเพื่อทำความเข้าใจคำพูด ซึ่งนำไปสู่การพัฒนาของ Harpy ให้รู้จักคำศัพท์ 1,011 คำ
• Hidden Markov Model (HMM) ทศวรรษ 1980: HMM เป็นแบบจำลองทางสถิติที่จำลองปัญหาซึ่งต้องการข้อมูลตามลำดับ โมเดลนี้ถูกนำไปใช้กับความก้าวหน้าเพิ่มเติมในการรู้จำคำพูด
• การค้นหาด้วยเสียงโดย Google ,2001: Google ได้แนะนำคุณลักษณะการค้นหาด้วยเสียงที่ช่วยให้ผู้ใช้สามารถค้นหาโดยใช้คำพูดได้ นี่เป็นแอปพลิเคชั่นเปิดใช้งานเสียงตัวแรกที่ได้รับความนิยมอย่างมาก
• Siri , 2011: Apple ได้แนะนำ Siri ที่สามารถโต้ตอบกับอุปกรณ์ต่างๆ ได้แบบเรียลไทม์และสะดวก
• Alexa , 2014 & google home , 2016: ผู้ช่วยเสมือนที่ใช้คำสั่งเสียงกลายเป็นกระแสหลักในขณะที่ google home และ Alexa ขายรวมกันกว่า 150 ล้านเครื่อง

อ่านเพิ่มเติม: ไลบรารี Python NLP 7 อันดับแรก

ความท้าทายในการพูดเป็นข้อความ

การพูดเป็นข้อความยังคงเป็นปัญหาที่ซับซ้อนซึ่งยังห่างไกลจากการเป็นผลิตภัณฑ์สำเร็จรูปอย่างแท้จริง ปัญหาทางเทคนิคหลายประการทำให้เครื่องมือนี้สมบูรณ์แบบที่สุด ต่อไปนี้คือความท้าทายทั่วไปของเทคโนโลยีการรู้จำคำพูด:

1. ฉัน ตีความได้แม่นยำ

การรู้จำคำพูดไม่ได้ตีความคำพูดอย่างถูกต้องเสมอไป VUIs (Voice User Interface) ไม่เชี่ยวชาญเท่ามนุษย์ในบริบทการทำความเข้าใจที่เปลี่ยนความสัมพันธ์ระหว่างคำและประโยค เครื่องจึงอาจพยายามทำความเข้าใจความหมายของประโยค

2. เวลา

บางครั้ง การประมวลผลระบบการรู้จำเสียงใช้เวลานานเกินไป อาจเป็นเพราะรูปแบบเสียงที่หลากหลายของมนุษย์ ความยากลำบากในการจดจำเสียงดังกล่าวสามารถหลีกเลี่ยงได้โดยการลดความเร็วของคำพูดหรือการออกเสียงที่แม่นยำยิ่งขึ้น ซึ่งจะลดความสะดวกของเครื่องมือไป

3. สำเนียง

VUI อาจพบว่าเป็นการยากที่จะเข้าใจภาษาถิ่นที่แตกต่างจากค่าเฉลี่ย ภายในภาษาเดียวกัน ผู้พูดสามารถมีวิธีการพูดคำเดียวกันที่แตกต่างกันอย่างมาก

4. เสียงรบกวนและความดังของพื้นหลัง

ในโลกอุดมคติ สิ่งเหล่านี้จะไม่เป็นปัญหา แต่นั่นไม่ใช่กรณี ดังนั้น VUI จึงอาจพบว่าการทำงานในสภาพแวดล้อมที่มีเสียงดัง (พื้นที่สาธารณะ สำนักงานขนาดใหญ่ ฯลฯ) เป็นเรื่องยาก

ต้องอ่าน: วิธีสร้างแชทบ็อตใน Python

พูดเป็นข้อความใน Python

หากไม่ต้องการผ่านกระบวนการที่ยากลำบากในการสร้างข้อความจากพื้นดิน ให้ใช้สิ่งต่อไปนี้เป็นแนวทาง คู่มือนี้เป็นเพียงการแนะนำเบื้องต้นในการสร้างแอปพลิเคชันคำพูดเป็นข้อความของคุณเอง ตรวจสอบให้แน่ใจว่าคุณมีไมโครโฟนที่ใช้งานได้นอกเหนือจาก Python เวอร์ชันล่าสุด

ขั้นตอนที่ 1 :

ดาวน์โหลดแพ็คเกจหลามต่อไปนี้:

• speech_recogntion (pip ติดตั้ง SpeechRecogntion): นี่คือแพ็คเกจหลักที่ใช้ขั้นตอนที่สำคัญที่สุดในการแปลงคำพูดเป็นข้อความ ทางเลือกอื่นมีทั้งข้อดีและข้อเสีย เช่น การอุทธรณ์, การประกอบ, google-cloud-search, pocketsphinx, Watson-developer-cloud, wit เป็นต้น
• เสียงของฉัน (pip ติดตั้ง Pyaudio)
• Portaudio (pip ติดตั้ง Portaudio)

ขั้นตอนที่ 2 :

สร้างโครงการ (ตั้งชื่อตามที่คุณต้องการ) และนำเข้า speech_recogntion เป็น sr.

สร้างอินสแตนซ์ของคลาสตัวจำแนกประเภทให้ได้มากที่สุด

ขั้นตอนที่ 3 :

เมื่อคุณสร้างอินสแตนซ์เหล่านี้แล้ว ตอนนี้เราต้องกำหนดแหล่งที่มาของอินพุต

ตอนนี้ มากำหนดแหล่งที่มาเป็นไมโครโฟนกันก่อน (คุณสามารถใช้ไฟล์เสียงที่มีอยู่ได้)

ขั้นตอนที่ 4 :

ตอนนี้เราจะกำหนดตัวแปรเพื่อเก็บข้อมูลอินพุต เราใช้วิธี 'ฟัง' เพื่อดึงข้อมูลจากแหล่งที่มา ดังนั้น ในกรณีของเรา เราจะใช้ไมโครโฟนเป็นแหล่งที่เรากำหนดไว้ในบรรทัดโค้ดก่อนหน้า

ขั้นตอนที่ 5 :

ตอนนี้เรามีอินพุต (ไมโครโฟนเป็นแหล่งที่มา) ที่กำหนดไว้และจัดเก็บไว้ในตัวแปร ('เสียง') เราเพียงแค่ใช้วิธีการรับรู้_google เพื่อแปลงเป็นข้อความ เราอาจเก็บผลลัพธ์ไว้ในตัวแปรหรือพิมพ์ผลลัพธ์ก็ได้ เราไม่ต้องพึ่งเพียง trust_google เท่านั้น เรามีวิธีการอื่นที่ใช้ API ต่างๆ ที่ใช้งานได้เช่นกัน ตัวอย่างของวิธีการดังกล่าว ได้แก่

รู้จัก_bing()

recongize_google_cloud()

recongize_houndify()

reconize_ibm()

recongize_Sphinx() (ทำงานแบบออฟไลน์ด้วย)

วิธีการต่อไปนี้ใช้แพ็คเกจที่มีอยู่ซึ่งช่วยลดการพัฒนาคำพูดของคุณเป็นซอฟต์แวร์จดจำข้อความตั้งแต่เริ่มต้น แพ็คเกจเหล่านี้มีเครื่องมือเพิ่มเติมที่สามารถช่วยคุณสร้างโครงการที่แก้ปัญหาเฉพาะเจาะจงมากขึ้น ตัวอย่างหนึ่งของคุณลักษณะที่มีประโยชน์คือ คุณสามารถเปลี่ยนภาษาเริ่มต้นจากภาษาอังกฤษเป็นภาษาฮินดีได้ การดำเนินการนี้จะเปลี่ยนผลลัพธ์ที่พิมพ์เป็นภาษาฮินดี (แม้ว่าในขณะนี้ คำพูดเป็นข้อความจะได้รับการพัฒนาให้เข้าใจภาษาอังกฤษมากที่สุด)

แต่เป็นความคิดที่ดีสำหรับนักพัฒนาที่จริงจังที่จะเข้าใจว่าซอฟต์แวร์ดังกล่าวทำงานอย่างไร

มาทำลายมันกันเถอะ

โดยพื้นฐานที่สุดแล้ว คำพูดเป็นเพียงคลื่นเสียง คลื่นเสียงหรือสัญญาณเสียงดังกล่าวมีคุณสมบัติเฉพาะบางประการ (ซึ่งอาจดูเหมือนคุ้นเคยกับฟิสิกส์ของอะคูสติก) เช่น แอมพลิจูด ยอดและร่อง ความยาวคลื่น รอบ และความถี่

สัญญาณเสียงดังกล่าวมีความต่อเนื่องและมีจุดข้อมูลไม่สิ้นสุด ในการแปลงสัญญาณเสียงดังกล่าวเป็นสัญญาณดิจิทัล โดยที่คอมพิวเตอร์อาจประมวลผลได้ เครือข่ายจะต้องทำการแจกแจงตัวอย่างที่ไม่ต่อเนื่องซึ่งใกล้เคียงกับความต่อเนื่องของสัญญาณเสียง

เมื่อเรามีความถี่ในการสุ่มตัวอย่างที่เหมาะสมแล้ว (8000 Hz เป็นมาตรฐานที่ดี เนื่องจากความถี่เสียงพูดส่วนใหญ่อยู่ในช่วงนี้ ) ตอนนี้เราสามารถใช้ไลบรารี Python เช่น LibROSA และ SciPy ประมวลผลสัญญาณเสียงได้ จากนั้น เราสามารถสร้างปัจจัยการผลิตเหล่านี้ได้โดยแบ่งชุดข้อมูลออกเป็น 2 ชุด ฝึกแบบจำลอง และอีกชุดหนึ่งเพื่อตรวจสอบสิ่งที่ค้นพบของแบบจำลอง

ในขั้นตอนนี้ เราอาจใช้สถาปัตยกรรมแบบจำลองของ Conv1d ซึ่งเป็นโครงข่ายประสาทเทียมแบบ Convolutional ที่ทำงานในมิติเดียว จากนั้น เราสามารถสร้างแบบจำลอง กำหนดฟังก์ชันการสูญเสีย และใช้โครงข่ายประสาทเทียมเพื่อบันทึกแบบจำลองที่ดีที่สุดจากการแปลงคำพูดเป็นข้อความ ด้วยการใช้การเรียนรู้เชิงลึกและ NLP (การประมวลผลภาษาธรรมชาติ) เราสามารถปรับแต่งข้อความสั่งเป็นข้อความสำหรับการใช้งานและการนำไปใช้ที่กว้างขวางยิ่งขึ้น

การประยุกต์ใช้การรู้จำเสียง

ดังที่เราได้เรียนรู้ไปแล้ว เครื่องมือต่างๆ ในการเรียกใช้นวัตกรรมทางเทคโนโลยีนี้สามารถเข้าถึงได้มากขึ้น เนื่องจากส่วนใหญ่เป็นนวัตกรรมซอฟต์แวร์ และไม่มีบริษัทใดเป็นเจ้าของ การช่วยสำหรับการเข้าถึงนี้ได้เปิดประตูสำหรับนักพัฒนาที่มีทรัพยากรจำกัดในการประยุกต์ใช้เทคโนโลยีนี้

บางสาขาที่การรู้จำคำพูดเติบโตขึ้นมีดังนี้:

• วิวัฒนาการในเครื่องมือค้นหา: การรู้จำคำพูดจะช่วยปรับปรุงความแม่นยำในการค้นหาโดยเติมช่องว่างระหว่างการสื่อสารด้วยวาจาและลายลักษณ์อักษร
• ผลกระทบต่ออุตสาหกรรมการดูแลสุขภาพ: การรู้จำคำพูดกลายเป็นลักษณะทั่วไปในภาคการแพทย์โดยช่วยให้การรายงานทางการแพทย์เสร็จสมบูรณ์ เมื่อ VUI เข้าใจศัพท์แสงทางการแพทย์ได้ดีขึ้น การใช้เทคโนโลยีนี้จะช่วยให้แพทย์มีเวลาเหลือน้อยลงจากงานธุรการ
• อุตสาหกรรมบริการ: ในแนวโน้มที่เพิ่มขึ้นของระบบอัตโนมัติ อาจเป็นกรณีที่ลูกค้าไม่สามารถให้มนุษย์ตอบคำถาม ดังนั้นระบบการรู้จำเสียงจึงสามารถเติมเต็มช่องว่างนี้ได้ เราจะเห็นการเติบโตอย่างรวดเร็วของฟีเจอร์นี้ในสนามบิน การขนส่งสาธารณะ ฯลฯ
• ผู้ให้บริการ: ผู้ให้บริการโทรคมนาคมอาจพึ่งพาระบบเสียงพูดเป็นข้อความมากขึ้น ซึ่งสามารถลดเวลารอได้ด้วยการช่วยสร้างความต้องการของผู้โทรและแนะนำให้พวกเขาไปรับความช่วยเหลือที่เหมาะสม

อ่านเพิ่มเติม: เทคโนโลยีการค้นหาด้วยเสียง – ข้อเท็จจริงที่น่าสนใจ

บทสรุป

คำพูดเป็นข้อความเป็นเทคโนโลยีที่ทรงพลังที่จะแพร่หลายในไม่ช้า การใช้งานที่ตรงไปตรงมาพอสมควรร่วมกับ Python (หนึ่งในภาษาโปรแกรมที่ได้รับความนิยมมากที่สุดในโลก) ทำให้การสร้างแอปพลิเคชันง่ายขึ้น ขณะที่เราก้าวหน้าในด้านนี้ เรากำลังปูทางไปสู่โลกที่การเข้าถึงโลกดิจิทัลไม่ได้อยู่แค่เพียงปลายนิ้วสัมผัส แต่ยังเป็นคำพูดด้วย

หากคุณสนใจที่จะทราบข้อมูลเพิ่มเติมเกี่ยวกับการประมวลผลภาษาธรรมชาติ โปรดดูโปรแกรม Executive PG in Machine Learning และ AI ซึ่งออกแบบมาสำหรับมืออาชีพที่ทำงานและการฝึกอบรมที่เข้มงวดมากกว่า 450 ชั่วโมง

หากคุณอยากเรียนรู้เกี่ยวกับวิทยาศาสตร์ข้อมูล ลองดู โปรแกรม Executive PG ของ IIIT-B & upGrad ใน Data Science ซึ่งสร้างขึ้นสำหรับมืออาชีพที่ทำงานและมีกรณีศึกษาและโครงการมากกว่า 10 รายการ เวิร์กช็อปภาคปฏิบัติจริง การให้คำปรึกษากับผู้เชี่ยวชาญในอุตสาหกรรม 1 -on-1 พร้อมที่ปรึกษาในอุตสาหกรรม การเรียนรู้มากกว่า 400 ชั่วโมงและความช่วยเหลือด้านงานกับบริษัทชั้นนำ