Gépi beszédfelismerés

Vicsi KláraBME Távközlési és Médiainformatikai Tanszék

vicsi@tmit.bme.hu

BME TMIT

BME TMIT

Általánosságban a beszédtudomány célja:a beszédkommunikáció körfolyamatának komplex leírása, a beszélő gondolatának nyelvi megfogalmazásától kezdve a beszédprodukción át, a létrejött beszéd akusztikai leírásán keresztül, a hallgató beszédpercepciós folyamatain át, a nyelvi tudása alapján a közölni szándékozott gondolat megértéséig.

BME TMIT

Beszéd-Beszéd-szintézisszintézis

A beszéd számítógépes feldolgozásánál (beszédtechnológiában) e körfolyamat egyes funkcióit ellátó egységek mesterséges eszközökkel való kiváltása történik. Az egyik fő célja az ember-gép közötti párbeszéd lehetővé tétele.

Beszéd-Beszéd-felismerésfelismerés

BME TMIT

Egy tipikus automatizált beszéd-dialógus rendszer fő komponensei

Az ember-gép közötti párbeszéd megteremtése ma többnyire a beszélt nyelvi interfészek megvalósításával történik. A beszélt nyelvi interfészek sok különböző technológiát és alkalmazást foglalnak magukban.

BME TMIT

A számítógépes beszédfelismerés átfogó beszédfeldolgozási témakör.

Az emberi beszédben rejlő összes információ felismerését jelenti.

Milyen nyelven beszél? Nyelvfelismerés

Ki beszél? Beszélő felismerés

Meg van fázva? Egészségi állapot felismerés

Ideges? Bánatos? Érzelem felismerés

Mit mond? Nyelvi tartalom felismerése, szöveglejegyzés

BME TMIT

„A jövő kommunikációjának multimédia világában a beszéd egyre fontosabb szerepet fog játszani a beszélő azonosításától az automatikus beszédfelismerésig és a kulcsszavak, kifejezések megértéséig. A kimondott szót kezelő perifériák át fogják venni a klaviatúrák és az olyan csatlakozó eszközök helyét, mint pl. az egér”.

Lawrence Rabiner (Center for Advanced Information Processing, Rutgers University) Science (2003. szeptember 12, 301. kötet, 5639, 1494-1495 old.)

Napjainkban az intelligens kommunikációs és információs eszközök (pl. mobiltelefonok, kézi számítógépek, stb.) mérete egyre csökken, míg funkcióik szaporodnak és kezelésük bonyolultabbá válik. A hagyományos eszközök (pl. egér, billentyűzet) kényelmetlenek, vagy a feladat velük meg sem oldható. A beszéddel történő információ csere az egyetlen, ami a kis fizikai méret mellett is megvalósítható.

BME TMIT

Két különböző információ az internetről:

1. Hirdetés Dragon NaturallySpeaking 10. v. diktáló rendszerérőla terjesztője az alábbiakat írja: A felismerő 3-szor gyorsabban teszi lehetővé a dokumentumok, jelentések, elektronikus levelek bevitelét a számítógépbe, mint ahogy ezt gépeléssel tennék -99%-os pontossággal!

http://www.nuance.com/naturallyspeaking/products/preferred.asp

BME TMIT

ügyfélügyfélautomataautomata (Julie) (Julie)

SziaSzia!!Julie vagyok, az Amtrak automatizált Julie vagyok, az Amtrak automatizált

ügynöke. Fogjunk bele! ügynöke. Fogjunk bele! Melyik városból indulsz?Melyik városból indulsz?

New York.New York.

Hmmm. Azt hiszem, Newarkot mondtál. Hmmm. Azt hiszem, Newarkot mondtál. Így van?Így van?

Nem.Nem.Oké. Próbáljuk meg újra. Melyik Oké. Próbáljuk meg újra. Melyik

városból indulsz?városból indulsz?

Úgy vélem, azt mondtad, Úgy vélem, azt mondtad, Meriden, így van?Meriden, így van?

2. Egy példa az interneten:egy potenciális Amtrak ügyfél hívta a társaság automatizált telefonrendszerét, viteldíj-információszerzés céljából

Végül Julie feladta, és átadta az ügyfelet az aktuális emberi lénynek.

Manhattan.Manhattan.

http://www.cioinsight.com/c/a/Technology/Weak-Speech-Recognition-Leaves-Customers-Cold/

BME TMIT

Mi itt az igazság?

Azt mondják, „beszédfelismerés”

és az ügyfél automatikusan a „2001: Űrodüsszeia” HAL-ára gondol”

A cégek pedig, amelyek a beszédtechnológiát ajánlják, hajlamosak „túlígérni”

és alulteljesíteni ezt az elvárást;

BME TMIT

Miért foglalkozunk a beszéd bemenet használatával?

Mert a technológia ma már ott tart, hogy bizonyos területeken

- Költséghatékonyan használható

A 20 milliárdos Cendant Corp. az ügyfelek hotelinformációkkal való ellátásakor 2,5 millió telefonhívás 15 %-át anélkül hajtják végre, hogy a hívó beszélt volna egy élő ügynökkel.

A Forrester Research Inc. szerint az automatizált rendszerek esetén a hívások percenként 20 centbe kerülnek, szemben az élő segítséggel, amely percenként 7 dollárba kerül.

- Ügyfeleknek nagyobb szabadságot ad abban, hogy információhoz jussanak, így örülnek a lehetőségnek. Amtrak eladási és ügyfélszolgálati vezetője szerint az új információs rendszerek igazi alternatívákat adnak ügyfeleiknek (pl. vonatstátus, menetrend és viteldíjak tudakozódása és egyszerű foglalások)

- A felhasználók egyre jobban megtanulják a felismerők használatát.

BME TMIT

•Ez a diagram a beszéd vonatkozású IBM aktivitás összbevételét ábrázolja.

•1 billió dollárt meghaladó bevételek 2006-tól kezdve

Hangvezérlésű technológiák előrejelzése

*Opus Research 02_2007

Beszédpiaci lehetőségek összefoglalása

$0

$500 000

$1 000 000

$1 500 000

$2 000 000

$2 500 000

$3 000 000

2006 2007 2008 2009 2010 2011

Hang alapú alkalmazások (Skype, MSN,internetes hangpostafiók)

Alkalmazások (hang alapú információsrendszerek, parancsfelismerés, szintézis)

Professzionális szolgáltatások

Szöveg-beszéd (felolvasás)

Automatikus beszédfelismerés (diktálás)

BME TMIT

Néhány tanács a beszédtechnológiát alkalmazni szándékozóknak:

1. Tisztában kell lenni, hogy a mai beszédfelismerési technológia mire képes. 2. Ennek tudatában realisztikus célokat kellkitűzni. 3. A szolgáltatást témakör- és felhasználó orientáltan kell megtervezni, 4. A felhasználót is tájékoztatni kell, hogy csak egy „géppel” áll szemben, amihez neki is alkalmazkodni kell!

Ehhez mindenképpen szükséges

hogy megfelelő felismerési technológiát használjunk,

képesek legyünk a reklámszöveg és a valóságos teljesítmény elkülönítésére.

BME TMIT

Alapvető szakmai kérdések

• Milyen nehézségekkel kell megküzdeni a fejlesztőknek?

• Hol tartunk ma? Hogy működik egy korszerű felismerő?

• Merre halad a kutatás?

• Realisztikus beszédfelismerő rendszerek.

BME TMIT

Milyen nehézségekkel kell megküzdeni?

BME TMIT

1. Folyamatos hangnyomás változásból kvantált minőségi jellemzők elkülönítése és azonosítása.

2. A hullámforma erősen változik az akusztikai környezet hatására – visszaverődések, zajok, interferencia!,

háttérbeszélgetés, zene stb.

a l m a v a n a l á d á b a n

a l m a v a n a l á d á b a n

Sound (OLE2)

Sound (OLE2)

BME TMIT

3. Egyazon mondanivaló végtelen sok akusztikai formában jelenik meg:

A beszélő személyétől függően: pl. az emberek különböző méretű

artikulációs csatornával rendelkeznek.

Egy beszélő esetén is: A lelki állapot, fáradtság,

rekedtség befolyásolja a paramétereket. Az akusztikai jelsor változik a hangkapcsolat és a

hang helyzete függvényében.

BME TMIT

4. A beszédsebesség változik a beszélő személyétől függően, és egy beszélő esetében is. A fonémák, sőt, fonémarészek időtartama nem egységesen változik meg.

a l m a v a n a l á d á b a n

a l m a v a n a l á d á b a n

Sound (OLE2)

Sound (OLE2)

BME TMIT

5. A beszéd több, mint elemek egymásutánisága!

A hangsúly, a dallam,

a szünetek, a ritmus, a tempóváltások is a felismerendő üzenet lényegi elemei.

Ezek is az értelmezést segítik, a közlendőt árnyalják, a beszédet emberivé, széppé teszik,

tehát ha a beszéd üzenetét kívánjuk felismerni ezek sem hagyhatók a folyamatból el.

Pragmatikai szint (megértési szint)

Szemantikai szint (jelentéstani szint)

Szintaktikai szint (mondattani szint)

Lexikai szint

Fonetikai, fonológiai szint

6. A beszédjel a beszédtartalmi információt részben akusztikus, részben nyelvi szinten hordozza.

A beszédfeldolgozás hierarchiaszintjei: (egyidejűleg aktívak)

Akusztikai szint

BME TMIT

Hol tartunk ma?Hogy működik egy korszerű beszédfelismerő?

BME TMIT

Ma a korszerű beszédfelismerők statisztikai elvi alapokon működnek

Akusztikai-fonetikai szinten létrehozott hangkapcsolat függő beszédhang modellek(Rejtett Markov modellek és/vagy Neurális hálózatok)

és

Szintaktikai (szó) szinten létrehozott statisztikai nyelvi modellek (N-gramm)

együttes alkalmazásával.

BME TMIT

A statisztikai alapú beszédfelismerő:akusztikai- fonetikai szint betanítás - modellépítés

akusztikai előfeldolgozás

beszédadatbázis hangkapcsolat függő

beszédhang modellek

10 ms-éntparamétervektorsor

Nyelvi tartalommal címkézetthanganyag

Akusztikai-fonetikai statisztikai modellek létrehozása

(hangkapcsolat függő fonémák,szótagok, szavak)

besorolás

Csoportosítottparamétervektorok

BME TMIT

A statisztikai alapú beszédfelismerő:akusztikai- fonetikai szint beszédhangfelismerés

s z é p a z i d ős z é p a z i d ő

hangkapcsolat függőbeszédhang

modellek

akusztikai előfeldolgozás iIlesztés, döntés

10 ms-kéntparamétervektorsor

karakterlánc

kibocsátási valószínűség

Szép az idő.Szép az idő.

Adaptáció lehetségesa beszélő hangjához

Kimeneten karakterlánc jelenik meg, amelyben még sok a tévesztés. Pusztán akusztikai alapon a felismerési pontosság alacsony, nagyobb pontosság eléréséhez nyelvi szintek bevonása szükséges.

BME TMIT

A statisztikai alapú beszédfelismerő: Szintaktikai (szó) szinten Nyelvi modell 1

értelmes szósorozatok

szabályalapú modellek: útvonalkeresés gráfban - Determinisztikus nyelvtan!

tizenszáz egy

huszon kettő

kétszáz harminc három

négy

Kilencszáz

BME TMIT

Statisztikai nyelvi modellek: valószínűségeket rendelünk az egyes szósorrendekhez (N-gramm modellek)

a kisebb előfordulási gyakoriságú szórendeknek kisebb valószínűséget adunk,így a nagyobb gyakoriságú – vélhetően helyes – szórendek felismerési aránya nagyobb

lesz.

A valószínűségek megállapításához, tehát a nyelvi szintű betanításhoznagy mennyiségű, a témához illeszkedő szöveganyag szükséges:

A statisztikai alapú beszédfelismerő:Szintaktikai (szó) szinten Nyelvi modell 2

Témaspecifikus szövegadatbázisok

szótárakszótárak

statisztikai nyelvi modellekstatisztikai nyelvi modellek

BME TMIT

N-gram modell használhatósága nyelvfüggő

Angol kötött szósorrend jól alkalmazható ragozott szóalak kisszámú

Magyar és kevéssé kötött szórend további kutatás egyéb morfoló- agglutináló –flektáló szükséges giailag gazdag szóalak változékony (morféma alapúnyelvek nyelvi modellezés)

A statisztikai alapú beszédfelismerő:N-gramm nyelvi modell jellemzése

BME TMIT

akusztikai előfeldolgozás

Dekóder(kereső algoritmus)

hangkap-csolatfüggőbeszédhang

modellek

ortografikus és kiejtés szótárak

statisztikai nyelvi modell

Szöveges adatbázisBeszéd-adatbázis

szép az időszép az időszólánszóláncc

Teljes kiépítésű statisztikai alapú beszédfelismerő

Szép az idő.Szép az idő.

BME TMIT

Teljes kiépítésű statisztikai alapúbeszédfelismerő – Jellemzés 1

A felismerő betanításához, optimális működéséhez

•az akusztikai környezet függvényében más és más beszédadatbázis kell!!!Telefonbeszéd adatbázis, beszédadatbázis kocsikban, hivatalokban, zajos utcán, stb.SPEECHDAT – CAR: French : Academic - Commercial 182 000 EUR

German : Academic - Commercial 120 000 EUR

• témacsoportonként más és más szövegadatbázist kell gyűjteni.erősen ragozott, toldalékolt nyelveknél ez még hangsúlyozottabb.

Különböző adaptációs technikák most fejlesztés alatt

•nyelvenként más és más szöveg és beszédadatbázis szükséges

A többnyelvű felismerők fejlesztése folyamatban van

BME TMIT

Magyar beszédadatbázisok összefoglaló adatai

Magyar referencia beszéd adatbázis

Csendes környezet, folyamatos szöveg

Magyar telefon beszéd adatbázis

Vonalas telefon, mobil, számok, szavak, tulajdonnevek, folyamatos szöveg

TESZTEL

Mobil zajos környezetben folyamatos szöveg

SpeechDat

Vonalas telefon, mobil, számok, szavak, tulajdonnevek, folyamatos szöveg

Babel – többnyelvű adatbázis

Tiszta beszéd szavak, folyamatos szöveg

SPECO

Tiszta gyermekbeszéd szavak, mondatokhttp://alpha.tmit.bme.hu/speech/databases.php

BME TMIT

Angol nyelvű nagyszótáras felismerő felismerési hibaaránya átlagos irodai környezetben (jó jel-zaj viszony esetén)

_______________________________________________

beszédstílus szóhiba arány_______________________________________________

olvasott, szépen kiejtett beszéd, beszélőadaptálás után < 5 %új beszélő 8-15 %

spontán interjú 20-25 % spontán társalgás 30-40 % !!!!!

_______________________________________________

A felismerő kimenetén szószekvenciák vannak.A valódi szemantikai és pragmatikai szint hiányzik.

Mesterséges intelligenciával ellátott dialógus rendszerekkel a pontosság jelentősen növelhető!!!!

Teljes kiépítésű statisztikai alapúbeszédfelismerő – Jellemzés 2.: folyamatos beszédfelismerő pontossága csendes környezetben

BME TMIT

Tiszta beszéd

Spontán beszéd

Teljes kiépítésű statisztikai alapúbeszédfelismerő – Jellemzés 3.: beszédfelismerő pontossága ma különböző felhasználási területeken

Diktálás híranyag interjú hang- swich - hívás tárgyalás posta board közp

%

szóhiba

BME TMITBME TMIT

Merre halad a kutatás?

•Zajtűrő akusztikai feldolgozás

•Természetes (spontán beszéd) feldolgozás statisztikai feldolgozással : híranyagok szöveggé alakítása, parlamenti beszédek gépi lejegyzése ~100 000 szó

•Morfológiailag gazdag, és kisebb beszélőszámú nyelvek feldolgozása arab, finn, magyar, török, észt, stb

Mesterséges intelligenciával kibővített dialógus rendszerek fejlesztése

•Statisztikai közelítésű Dialogus rendszerek fejlesztése

•Prozódia integrálása

•Modalitás növeléseAudio-vizuális beszédfelismerés

BME TMIT

Satoshi Tamura, Koji Iwano and Sadaoki Furui 2006

Audio – vizuális felismerés

AkusztikaiAkusztikaiElőfeldolg.Előfeldolg.

VizuálisVizuálisElőfeldolg.Előfeldolg.

Normali-Normali-zálás,zálás,InterpolInterpol.

Akuszt. par.

Vizuális par.

Audio-vizuális par.

Felism.eredm.

jel

jel

BME TMIT

Dialógusban rejlő információk kinyerése nem-verbális, multimodális feldolgozással:

beszéd+artikuláció+arcmimika+gesztus+test- és fejmozgás,

a társalgást követve a cél annak megértése, hogy mi történik a párbeszédben.

Egy folyamatelemzés elvégzése: --- a nyelvi információktól függetlenül,

vagy

--- a nyelvi információkkal együtt.

Nick Campbell, 2006

ATR Media Information Science Labs,Japan

Multi-modális kommunikáció feldolgozása

BME TMITEgy 360 fokos kamera és irányított mikrofonok segítségével audio-vizuális információk sorozatát gyűjtik össze, amelyből következtethetőek a gyűlés tagjainak társalgási eseményei.

BME TMITA videójel felbontása viszonylag alacsony. Nagyobb mozgások detektálása a bőr hőérzékelésével. A test-, a kéz- és a fejmozgásokat leíró egyszerű paraméterkészlet automatikus létrehozása.

BME TMITBME TMIT

Beszédfelismerő termékek

A felismerés ma már elfogadható pontosságú ahhoz, hogy felhasználói interfészként működjön számos területen:

- hangtárcsázás

- Egyszerű adatbevitel – kézmentes vezérlés

- Beszéd információs rendszerek – dialógusrendszerek – ember-gép kommunikáció

- Diktálás (beszéd-szöveg átalakítás) – zárt témakörű dokumentumok szerkesztése

- Böngészés hanggal – W3C beszéd interfész keretrendszer VoiceXML2+ Speech Grammar Specification

(SRGS) lehetővé teszi az emberek számára a hangvezérlést megfelelően megtervezett web-

alapú szolgáltatásoknál - Multimédia indexálás

- Ügyfélszolgálati beszélgetés elemzés

BME TMITBME TMIT

Beszédfelismerés hazánkban világszínvonalon!

• Beszéd szövegtartalmának felismerése (zárt témakörű !! diktálás) BME TMIT, SZTE IT • Telefonközpont irányítás BME TMIT, AITIA

• Természetes beszéd alapú dialógus rendszerek Telefonos beszédinformációs rendszerek BME TMIT, AITIA

• Audióvizuális beszédfelismerés MISKOLCI E.

• Beszéd-detekció BME TMIT

• Kulcsszó felismerés, hangbányászat BME TMIT, AITIA• Nagyszótáras folyamatos magyar nyelvű beszéd felismerése indexálási célokra! BME TMIT, AITIA

• Érzelmi töltet felismerése BME TMIT • Orvosi alkalmazások BME TMIT, SZTE IT

Köszönöm a figyelmet!

Platformtagok bemutatkozó demonstrációjára várjuk önöket délután!

vicsi@tmit.bme.hu

BME TMIT