جهت مشاوره با شماره های 09127540027 (موبایل کالای دیجیتال و لوازم خودرو) - 09186530071 (لوازم خانگی ،لپ تاپ و سایر کالاها) در تماس باشید

پس از 25 سال تلاش، اینک سیستم تشخیص گفتار مایکروسافت (Microsoft Speech Recognition) به اندازه یک انسان واقعی دقیق شده است. به گفته محققان، هدف بعدی به جای تشخیص، درک مکالمه توسط این سیستم است. جزئیات بیشتری از این دستاورد بزرگ را در ادامه مطالعه خواهید کرد.
محققان مایکروسافت 25 سال مشغول ساخت یک تکنولوژی فوق العاده مهم برای بشریت بوده اند. سیستم تشخیص گفتار مایکروسافت ظاهرا پس از مدت ها آزمون و خطا موفق شده نرخ خطای بسیار اندک 5.1 درصدی را از خود به جای بگذارد. این برای نخستین باری است که سیستم مذکور موفق شده به دقت و صراحت مترجمان حرفه ای انسانی عمل کند.
یک سال قبل، تیم تحقیقاتی گفتگو و دیالوگ مایکروسافت اعلام کرد که نرخ خطای سیستم تشخیص گفتار این شرکت به 5.9 درصد رسیده است. این نرخ تقریبا همسان با نرخ اشتباهات انسان های عادی بود، اما تداوم کار آن ها باعث به دست آمدن نرخ 5.1 درصدی شده است که دیگر نزدیک به گفتگوی گویندگان حرفه ای انسانی است.
سوییچ برد (Switchboard) بخشی از مکالمه های تلفنی ضبط شده است که تیم تحقیقاتی مایکروسافت بیش از 20 سال است که از آن برای آزمون سیستم های تشخیص گفتار مورد استفاده قرار می دهد. از جمله وظایف این برد می توان به بازنویسی مکالمه های بین افراد غریبه تحت موضوعات مختلفی نظیر ورزش و سیاست اشاره کرد.

به منظور کاهش میزان خطای سیستم در حدود 12 درصد نسبت به معیارهای سال گذشته، این گروه تحقیقاتی مجموعه ای از پیشرفت ها را در آکوستیک مبتنی بر شبکه و مدل های صوتی گنجانده اند. در پس ارتقا کلی تمامی اجزای سیستم نیز افزایش تعداد واژگان مدل از 30.000 کلمه به 165.000 کلمه قرار دارد. مهم تر از همه محققان چیزی را ثبت کرده اند که «حافظه بلند مدت و کوتاه مدت مبتنی بر هر دوره محاوره» نامیده می شود. به عبارت ساده تر، این بدان معناست که مدل جدید زبان آن ها اجازه می دهد سیستم برای مشخص کردن عباراتی خاص، از کل کمالمه های ثبت شده در پیشین استفاده کند. این به سیستم اجازه می دهد تا به طور مثال اگر بحثی در زمینه ورزش شکل گرفته بود آن شناسایی کند و ترجمه و شناسایی عبارات تخصصی برای آن عملا بدون مشکل باشد.
این تیم عنوان می کند همچنان باید بر روی حوزه تشخیص گفتار کار کرد، چرا که این دستاورد جدید هنوز نمی تواند کارهای پیچیده تری را نظیر تشخیص گفتار در محیط های شلوغ و یا سخنرانی با سرعت بسیار زیاد را انجام دهد. “Xuedong Huang” متخصص فنی مایکروسافت اینگونه توضیح می دهد:
علاوه بر این ها، ما نه تنها مشغول یاد دادن به کامپیوترها برای بازگویی کلمات هستیم، بلکه سعی داریم به آن ها فهمیدن معنی و نیت کلمات را نیز آموزش دهیم. حرکت از تشخیص به سمت فهمیدن گفتمان هدف بزرگ بعدی در این تکنولوژی است.
هدف بعدی سیستم تشخیص گفتار مایکروسافت

سیستم تشخیص گفتار مایکروسافت در حال حاضر در سرویس هایی همچون کورتانا و مترجک گفتار (Speech Translator) مورد استفاده قرار می گیرد و جزئیات آخرین نسخه از آن را نیز می توانید از این لینک مشاهده کنید.