Microsoft Speech API

A Speech Application Programming Interface (SAPI) egy COM - alapú alkalmazásprogramozási interfész beszédfelismerésre és -szintézisre.

Beszédfelismerés

A beszédfelismerés a kimondott szavak nyomtatott szöveggé alakításának folyamata. A beszédfelismerés a következőket tartalmazza:

• a mikrofonba kimondott hang rögzítése és digitalizálása;
• digitalizált hang fonémákká alakítása ;
• építés a szavak fonémáiból;
• a szó kimondásának kontextusának elemzése, és ha szükséges, szavak helyettesítése hasonlókkal.

A felismerő (szövegfelismerő motor) iteratív módon összehasonlítja a felismert szöveget az alkalmazás nyelvtani szabályaival, és ha a szöveg egy sor szabálynak egyezik, létrehoz egy XML kimeneti adatfolyamot a Semantic Markup Language (SML) segítségével .  A kimeneti adatfolyam tartalmazza a felismert szöveget, a helyes felismerési valószínűségeket, és tartalmazhat szemantikai értelmezési jelöléssel hozzárendelt szemantikai értékeket . A felismert szöveget gyakran használják adatbevitelre diktálás segítségével, valamint alkalmazások beszédparancsokkal történő vezérlésére.

A nyelvtani szabályok mérete korlátozza a szövegfelismerési képességet. A legtöbb diktálást támogató program egy adott felhasználó beszédmintáira van hangolva a legpontosabb felismerés érdekében. A beszédparancs vezérlési mód könnyebben megvalósítható, mivel a nyelvtani szabályok tartalma az elérhető parancsokra korlátozódik [1] .

Beszédszintézis

A beszédszintézis a szöveg kimondott szavakká alakításának folyamata. A beszédszintézis a következőket tartalmazza:

• szavak fonémákra osztása;
• karakterekké alakítandó szövegek keresése, például számok, pénznemek és írásjelek;
• digitális hang létrehozása lejátszáshoz.

A szövegfelolvasó motorok a két hangszintézis módszer egyikét használhatják:

• hangszálakhoz hasonló hangokat generál, és különféle szűrőkkel modellezi a torok hosszát, a száj formáját, az ajkak és a nyelv helyzetét;
• gyűjtsd össze a bemondó által rögzített számos beszédből.

Jegyzetek

1. ↑ Tomashenko N. A., Khokhlov Yu. Yu.// AZ ADAT-EGYENSÚLY PROBLÉMÁJÁNAK TANULMÁNY AZ AUTOMATIKUS BESZÉDFELISMERŐ RENDSZEREK AKUSZTIKUS MODELLJÉNEK KÉPZÉSÉBEN 2015. szeptember 19-i archív másolat a Wayback Machine -nál . - Cikk. - Műszerezés. - UDC 004.934

Linkek

Bemutatkozik a Computer Speech Technology  (angol)  (nem elérhető link) . MSDN könyvtár . Microsoft (2012). Letöltve: 2012. július 24. Az eredetiből archiválva : 2012. szeptember 29..