Microsoft Speech API

Speech Application Programming Interface (SAPI) este o interfață de programare a aplicațiilor bazată pe COM pentru recunoașterea și sinteza vorbirii.

Recunoașterea vorbirii

Recunoașterea vorbirii este procesul de conversie a cuvintelor rostite în text tipărit. Recunoașterea vorbirii include:

• captarea și digitizarea sunetului rostit în microfon;
• conversia sunetului digitalizat în foneme ;
• construcția din foneme de cuvinte;
• analiza contextului în care a fost rostit cuvântul și, dacă este necesar, înlocuirea cuvintelor cu altele similare.

Recunoașterea (motorul de recunoaștere a textului) compară iterativ textul recunoscut cu regulile gramaticale ale aplicației și, dacă textul se potrivește cu o serie de reguli, generează un flux de ieșire XML utilizând Semantic Markup Language (SML) .  Fluxul de ieșire conține textul recunoscut, probabilitățile corecte de recunoaștere și poate conține valori semantice atribuite folosind marcajul de interpretare semantică . Textul recunoscut este folosit în mod obișnuit pentru introducerea datelor folosind dictare și pentru controlul aplicațiilor folosind comenzi vocale.

Dimensiunea regulilor gramaticale limitează capacitatea de recunoaștere a textului. Majoritatea programelor care acceptă dictarea sunt reglate la tiparele de vorbire ale unui anumit utilizator pentru a asigura cea mai precisă recunoaștere. Modul de control al comenzilor vocale este mai ușor de implementat, deoarece conținutul regulilor gramaticale este limitat la comenzile disponibile [1] .

Sinteza vorbirii

Sinteza vorbirii este procesul de conversie a textului în cuvinte rostite. Sinteza vorbirii include:

• împărțirea cuvintelor în foneme;
• găsirea textului care trebuie convertit în caractere, cum ar fi numere, sume valutare și semne de punctuație;
• generarea audio digitală pentru redare.

Motoarele text-to-speech pot folosi una dintre cele două metode de sinteză a vocii:

• generează sunete asemănătoare corzilor vocale și folosește diverse filtre pentru a modela lungimea gâtului, forma gurii, poziția buzelor și a limbii;
• culege-l din numeroasele fragmente de discurs înregistrate de crainic.

Note

1. ↑ Tomashenko N. A., Khokhlov Yu. Yu.// STUDIU AL PROBLEMEI ECHILIBRĂRII DATELOR ÎN CONSTRUCȚIA MODELELOR ACUSTICE DE SISTEME DE RECUNOAȘTERE AUTOMATĂ A VORBII Copie de arhivă datată 19 septembrie 2015 la Wayback Machine . - Articol. - Instrumentatie. - UDC 004.934

Link -uri

Prezentarea tehnologiei vorbirii computerizate  (engleză)  (link indisponibil) . Bibliotecă MSDN . Microsoft (2012). Preluat la 24 iulie 2012. Arhivat din original la 29 septembrie 2012.