Добрый день. 

Вчера посмотрел фильм "Железный человек" и остался под сильным впечатлением от системы, которая помогала ему создавать костюм. А ведь это на самом деле удобно - общаться с компьютером/телефоном/кпк/плеером посредством голоса. Например, водители автомобилей покупают всякие хэндсфри, нашлепки на руль и т.д., а могли бы сказать своему телефону "Набери-ка мне Васька, перейди в режим громкой связи и сделай звук погромче" и не отвлекаться от дороги. Да много еще таких примеров...

Сегодня начал изучать средства для разработки подобных систем. Неплохая статья по этой теме есть здесь: Роботы, которые видят, слышат, говорят и двигаются... 

Может кто-то уже делал что-то подобное или работал с такими системами? Поделитесь опытом и соображениями по этому поводу. 

Причём тут Java?

в приведенной JSOn ссылке этот вопрос освещен в отдельном параграфе:



Это сообщение отредактировал(а) COVD - 12.5.2008, 16:50

Дык это например Нейронные Сети. Что тут такого? ничего сверхнового нет. Такие системы пишутся дипломниками. Только в простейшем виде конечно.

Как раз таки искусственные нейронные сети используются только для усиления мощности распознавателей. А сами распознаватели  основаны на скрытой марковской модели (НММ). 



Меня интересуют уже готовые системы и работающие системы распознавания речи. Например, я хочу выполнять какие-то операции голосом (например, запуск приложений). 

всем привет,
вот первое что выкинул google --- http://www.e-speaking.com/

"Змей Горыныч" вроде так зовётся клёвая на старые времена прога для этих целей.

че за бред, у тебя на телефоне голосового набора нет?

знаешь почему никто не пользуется голосовым набором?  потому что например телефон, коряво разбирает речь. У меня друг купил смартфон, 5  раз кричал в него "Сколько время?", только потом после 3-его "Повторите пожалуйста!" - услышал "восемнадцать часов, шесть минут", эт опри том что дело было дома, в нешумном помещении...

Еще хуже когда он начал вызывать какие-то спец функции, аппарат часто ошибался, запускал какие-то приложения...

Представляю если все это будет за рулем движущегося автомобиля... Все о чем ты гоовришь, оно и сечас есть, мой первый телефон нокия 8210 распознавал голос по интонации... и если честно был в сто тыщ раз точнее нового смартфона моего друга.

cube, а вы не думали, что в мобильных телефонах отстойный софт?

Я как понял автор топика ведет речь о работе с речью на более высоком уровне чем голосовой набор в телефоне  (кстати сам не пользуюсь, но тестировал когда у меня только появилась такая функция телефона в 2001 и в последнем телефоне - все работало безошибочно) предполагает использование заранее записанных фраз, одна фраза одна команда или какая-то последовательность команд - в фильме же система и роботы полноценно владели человеческим языком - понимали целые фразы сказанные в свобоной форме:



это как? и каковы критерии отстойности?  

Да я о том, что в большинстве моб.телефонов происходит тупое сровнение сказанных слов с набором уже существующих, т.е. без учёта различных критериев, таких как интонация, шум и т.д.

 Системы распознавания речи строятся на том, что распознают фонемы в человеческой речи (коих около 1000) Фурье или вейвлет(намного эффективнее) преобразованием и анализируя их очередность выделяют слова.

 В сотовиках стоят примитивные анализаторы спектра (Фурье) которые записывают звуковой всплеск, ставят ему  в соответствие команду, а потом все время сравнивают Фурье образ и если критерий похожести(коэффициент корреляции) превышает некий порог - значит это и была комманда. Система сверхприметивнейшая(дипломники тоже такие-же и пишут) и ничего общего с современным совтоянием распознавания речи(образов) это не имеет.


Мощность это работа выполняемая за единицу времени (школьный учебник физики)  .

 Нейронные сети это пришедший к нам из бионики метод описания нелинейных динамических систем. Их сейчас лепят куда надо и куда не надо - особенно люди далекие от фундаментальных школ (радиотехнической, кибернетической) - зачастую совершенно без понимания, что основная сила НС в древовидном распараллеливании (которое эффективно можно использовать в ПЛИС например) и огромном труде на данный момент проделанном биониками(по-типу Хайкина) а отнюдь не в исчерпывающей математической достоверности.

 Марковские модели - стыдливое прикрытие теорией вероятностей грубой и не вполне адекватной модели - причем в любом случае их применения. Но у них есть огромный "+" - они работают. Вот как аналоговый радиоприемник (полосовой фильтр в котором - дальний родственник ММ) - кажется примитив - а музыка из него льется (и зачастую более качественно чем в плохо смоделированной цифровой системе).

 Кстати, насколько помню, в проекте Festival (синтез речи 4 Linux) есть инстументы и ее анализа.

 Но...

Все это имеет микроскопическое отношение к системе показаной в фильме. Понятное дело, что это фантастика. Но фантастика уровня Жюль Верновской подводной лодки - вполне осуществимая. Но в фильме система не просто распознавала слова ("повери вправо","перестань" и т.д.) - она оперировала понятиями - т.е. за одним словом скрывалось целое дерево возможных моделей поведения - и только вся голосовая команда отбирала из этого множества нужную. Нельзя взять нейронную сеть, отрезать кухонным ножем сколько нам надо и получить задуманное. Это как если бы пытаться насыпав в коробку радиодетали, перемешивая их получить телевизор. Сделать такую систему - можно только срастив систему распознавания речи с исполнительными устройствами и языком программирования оперирующим данными в виде объединения слов. Такие языки были (есть и будут есть, просто мало распространены сейчас) например Forth(4th) - нечто среднее между языком, интерпритатором и ОС... Правда он для стековой архитектуры и пришлось бы говорить в стиле учителя Йоды...


Вобщем система реальна но до показанного в кино - огромный кусок работы...

DRUID3, а какие еще существуют модели? Более адекватные.

Здравствуйте. 

Как сделать так, чтобы программа просто реагировала на звук голоса, при этом все равно что скажет пользователь?

Например,  пользователь сидит, программа перед ним листает страницы и вдруг пользователь говорит Стоп И программа останавливает листание 

Как написать такую программу? Можно ли сделать это на Java?
или на другом языке программирования?

Хочу вставить такой модуль в СуперБлокнот

Извините, если слишком оффтоп..

Хе. Возвращайтесь обратно с СуперБлокнотом на forum.ishodniki.ru. =) 

man_without_face,   

cube, голосовой набор есть практически во всех нокиях начиная с 3310.  Качество его конечно не самое высокое, но помоему вполне приемлемое для такого не сильно хитрого устроиства как телефон.

Добавлено через 1 минуту и 45 секунд
А вообще конечно у подобных систем большое будущее тем более в автомобиле строении... Топовые модели уже говорят с водителем...