التعرف على الكلام

الموسوعة الحرة

التعرف على الكلام ( التعرف التلقائي على الكلام ( ASR )، أو التعرف على الكلام بواسطة الحاسوب ، أو تحويل الكلام إلى نص ( STT )) هو فرع من فروع اللغويات الحاسوبية يهتم بالأساليب والتقنيات التي تترجم اللغة المنطوقة إلى نص أو أشكال أخرى قابلة للتفسير. [ 1 ]

تشمل تطبيقات التعرف على الكلام واجهات المستخدم الصوتية ، حيث يتحدث المستخدم إلى جهاز يستمع إلى الصوت ويعالجه. ومن التطبيقات الصوتية الشائعة تفسير أوامر الاتصال، وتوجيه المكالمات، وأتمتة المنزل، والتحكم في الطائرات. وتُسمى هذه التطبيقات بالإدخال الصوتي المباشر . أما تطبيقات الإنتاجية فتشمل البحث في التسجيلات الصوتية، وإنشاء النصوص المكتوبة، والإملاء.

يمكن استخدام تقنية التعرف على الكلام لتحليل خصائص المتحدث، مثل تحديد اللغة الأم باستخدام تقييم النطق . [ 2 ]

يشير التعرف على الصوت [ 3 ] [ 4 ] [ 5 ] ( تحديد هوية المتحدث ) [ 6 ] [ 7 ] [ 8 ] إلى تحديد هوية المتحدث، وليس محتوى الكلام. يُسهّل التعرف على المتحدث مهمة ترجمة الكلام في الأنظمة المُدرّبة على صوت شخص مُحدد. كما يُمكن استخدامه للتحقق من هوية المتحدث كجزء من عملية أمنية.

تاريخ

تطورت تطبيقات التعرف على الكلام على مدى عقود عديدة، وتسارع التقدم بفضل التطورات في التعلم العميق واستخدام البيانات الضخمة . [ 9 ] وتنعكس هذه التطورات في زيادة الأبحاث الأكاديمية، [ 10 ] وزيادة اعتماد النظام. [ 11 ]

تشمل المجالات الرئيسية للنمو حجم المفردات، والتعرف الأكثر دقة على المتحدثين غير المألوفين (استقلالية المتحدث)، وسرعة المعالجة الأسرع.

قبل عام 1970

كان راج ريدي أول من عمل على التعرف على الكلام المتواصل، [ 19 ] عندما كان طالب دراسات عليا في جامعة ستانفورد في أواخر الستينيات. كانت الأنظمة السابقة تتطلب من المستخدمين التوقف بعد كل كلمة. أما نظام ريدي فكان يصدر أوامر صوتية للعب الشطرنج .

في ذلك الوقت تقريبًا، ابتكر باحثون سوفييت خوارزمية مطابقة الوقت الديناميكية (DTW) [ 20 ] واستخدموها لإنشاء نظام تعرّف قادر على العمل على معجم من 200 كلمة. [ 21 ] عالجت خوارزمية DTW الكلام بتقسيمه إلى أجزاء قصيرة (مثل مقاطع مدتها 10 مللي ثانية) ومعاملة كل جزء كوحدة مستقلة. ومع ذلك، ظلت مسألة استقلالية المتحدث دون حل.

1970–1990

خلال أواخر الستينيات، طوّر ليونارد باوم الرياضيات الخاصة بسلاسل ماركوف في معهد تحليل الدفاع . وبعد عقد من الزمن، في جامعة كارنيجي ميلون، بدأ جيمس بيكر وجانيت إم. بيكر ، وهما طالبان لدى راج ريدي، باستخدام نموذج ماركوف المخفي (HMM) للتعرف على الكلام. [ 26 ] وكان جيمس بيكر قد تعرّف على نماذج ماركوف المخفية أثناء عمله في معهد تحليل الدفاع . [ 27 ] وقد مكّنت هذه النماذج الباحثين من دمج مصادر المعرفة، مثل الصوتيات واللغة والنحو ، في نموذج احتمالي موحد.

بحلول منتصف ثمانينيات القرن العشرين، ابتكر فريق فريد جيلينك في شركة آي بي إم آلة كاتبة تعمل بالأوامر الصوتية تُدعى تانغورا، قادرة على التعامل مع مفردات تضم 20,000 كلمة. [ 28 ] ركز منهج جيلينك الإحصائي بشكل أقل على محاكاة عمليات الدماغ البشري، مُفضلاً النمذجة الإحصائية. (اكتشف فريق جيلينك بشكل مستقل تطبيق نماذج ماركوف المخفية (HMMs) على الكلام. [ 27 ] ) أثار هذا الأمر جدلاً بين اللغويين، إذ تُعتبر نماذج ماركوف المخفية مُبسطة للغاية بحيث لا تُفسر العديد من خصائص اللغات البشرية. [ 29 ] ومع ذلك، أثبتت نماذج ماركوف المخفية أنها وسيلة فعّالة للغاية لنمذجة الكلام، وحلت محل تقنية مطابقة الوقت الديناميكية كخوارزمية سائدة للتعرف على الكلام في ثمانينيات القرن العشرين. [ 30 ] [ 31 ]

  • 1982 - كانت شركة Dragon Systems ، التي أسسها جيمس وجانيت إم. بيكر، [ 32 ] واحدة من المنافسين القلائل لشركة IBM.

التعرف العملي على الكلام

شهدت فترة الثمانينيات أيضًا إدخال نموذج اللغة n-gram .

  • 1987 - مكّن نموذج التراجع نماذج اللغة من استخدام n-grams متعددة الأطوال ، واستخدم CSELT [ 33 ] HMM للتعرف على اللغات (في البرامج والأجهزة، على سبيل المثال RIPAC ).

في نهاية برنامج داربا عام 1976، كان أفضل حاسوب متاح للباحثين هو PDP-10 بذاكرة وصول عشوائي (RAM) سعتها 4 ميجابايت . [ 34 ] وقد يستغرق فك تشفير 30 ثانية من الكلام ما يصل إلى 100 دقيقة. [ 35 ]

تضمنت المنتجات العملية ما يلي:

  • 1984 – تم إصدار جهاز Apricot Portable مع دعم يصل إلى 4096 كلمة، منها 64 كلمة فقط يمكن تخزينها في ذاكرة الوصول العشوائي في وقت واحد. [ 36 ]
  • 1987 – جهاز التعرف من شركة كورزويل للذكاء التطبيقي
  • ١٩٩٠ - تم طرح منتج Dragon Dictate، وهو منتج استهلاكي، في عام ١٩٩٠. [ ٣٧ ] [ ٣٨ ] قامت شركة AT&T بتطبيق خدمة معالجة المكالمات بالتعرف على الصوت في عام ١٩٩٢ لتوجيه المكالمات الهاتفية دون الحاجة إلى موظف استقبال. [ ٣٩ ] وقد طوّر هذه التقنية لورانس رابينر وآخرون في مختبرات بيل.

بحلول أوائل التسعينيات، تجاوزت مفردات أنظمة التعرف على الكلام التجارية النموذجية متوسط ​​مفردات الإنسان. [ 34 ] قام شويدونغ هوانغ ، أحد طلاب ريدي السابقين ، بتطوير نظام Sphinx-II في جامعة كارنيجي ميلون. كان Sphinx-II أول نظام يتعرف على الكلام المتواصل ذي المفردات الكبيرة والمستقل عن المتحدث، وقد فاز بتقييم وكالة مشاريع الأبحاث الدفاعية المتقدمة (DARPA) عام 1992. شكّل التعامل مع الكلام المتواصل ذي المفردات الكبيرة إنجازًا هامًا. أسس هوانغ لاحقًا فريق التعرف على الكلام في مايكروسوفت عام 1993. انضم كاي فو لي، أحد طلاب ريدي، إلى شركة آبل، حيث ساهم عام 1992 في تطوير النموذج الأولي لواجهة Casper الصوتية.

استحوذت شركة Lernout & Hauspie ، وهي شركة بلجيكية متخصصة في التعرف على الكلام، على شركات أخرى، منها Kurzweil Applied Intelligence عام 1997 وDragon Systems عام 2000. استُخدمت تقنية L&H في نظام التشغيل Windows XP . كانت L&H رائدة في هذا المجال حتى دمرتها فضيحة محاسبية عام 2001. اشترت شركة ScanSoft تقنية الكلام الخاصة بـ L&H، والتي أصبحت فيما بعد Nuance عام 2005. حصلت Apple على ترخيص برمجيات Nuance لمساعدها الرقمي Siri . [ 40 ]

العقد الأول من القرن الحادي والعشرين

في العقد الأول من الألفية الثانية، رعت وكالة مشاريع الأبحاث الدفاعية المتقدمة (DARPA) برنامجين للتعرف على الكلام: برنامج تحويل الكلام إلى نص الفعال والميسور التكلفة والقابل لإعادة الاستخدام (EARS) عام 2002، تلاه برنامج الاستغلال اللغوي العالمي المستقل (GALE) عام 2005. شاركت أربعة فرق في برنامج EARS: شركة IBM؛ وفريق بقيادة BBN بالتعاون مع LIMSI وجامعة بيتسبرغ ؛ وجامعة كامبريدج ؛ وفريق مؤلف من ICSI و SRI وجامعة واشنطن . موّل برنامج EARS جمع مجموعة بيانات Switchboard الصوتية الهاتفية ، التي احتوت على 260 ساعة من المحادثات المسجلة لأكثر من 500 متحدث. [ 41 ] ركز برنامج GALE على الأخبار الإذاعية باللغتين العربية والصينية . بدأت جوجل أولى محاولاتها في مجال التعرف على الكلام عام 2007 بعد استقطاب باحثين من شركة Nuance. [ 42 ] وكان أول منتج لها، GOOG-411 ، خدمة دليل هاتفي.

منذ عام 2006 على الأقل، استخدمت وكالة الأمن القومي الأمريكية تقنية تحديد الكلمات المفتاحية ، مما يسمح للمحللين بفهرسة كميات كبيرة من المحادثات المسجلة وتحديد الكلام الذي يحتوي على كلمات مفتاحية "مهمة". [ 43 ] وركزت برامج بحثية حكومية أخرى على تطبيقات الاستخبارات، مثل برنامج EARS التابع لوكالة مشاريع البحوث الدفاعية المتقدمة (DARPA) وبرنامج Babel التابع لوكالة مشاريع البحوث المتقدمة للاستخبارات (IARPA) .

في أوائل العقد الأول من القرن الحادي والعشرين، هيمنت نماذج ماركوف المخفية المقترنة بالشبكات العصبية الاصطناعية ذات التغذية الأمامية على مجال التعرف على الكلام . [ 44 ] لاحقًا، حلت محلها شبكة الذاكرة طويلة المدى (LSTM)، وهي شبكة عصبية متكررة (RNN) نشرها سيب هوكريتر ويورغن شميدهوبر عام 1997. [ 45 ] تتجنب شبكات LSTM RNN مشكلة تلاشي التدرج ، ويمكنها تعلم مهام "التعلم العميق جدًا" [ 46 ] التي تتطلب ذاكرة لأحداث وقعت قبل آلاف الخطوات الزمنية المنفصلة، ​​وهو أمر بالغ الأهمية في التعرف على الكلام.

في حوالي عام 2007، بدأت شبكات الذاكرة طويلة المدى (LSTM) المدربة باستخدام التصنيف الزمني الاتصالي (CTC) [ 47 ] في التفوق على غيرها. [ 48 ] وفي عام 2015، أعلنت جوجل عن انخفاض معدل الخطأ بنسبة 49% في نظام التعرف على الكلام باستخدام شبكات LSTM المدربة بتقنية CTC. [ 49 ] وقد تم اعتماد شبكات Transformers ، وهي نوع من الشبكات العصبية يعتمد كليًا على آلية الانتباه ، في مجال رؤية الحاسوب [ 50 ] [ 51 ] ونمذجة اللغة، [ 52 ] [ 53 ] ثم في مجال التعرف على الكلام. [ 54 ] [ 55 ] [ 56 ]

طُرحت الشبكات العميقة ذات التغذية الأمامية (غير المتكررة) لنمذجة الصوت في عام 2009 من قِبل جيفري هينتون وطلابه في جامعة تورنتو ، ولي دينغ [ 57 ] وزملائه في مايكروسوفت للأبحاث. [ 58 ] [ 59 ] [ 60 ] [ 61 ] وعلى عكس التحسينات التدريجية السابقة، قلّل التعلّم العميق معدلات الخطأ بنسبة 30%. [ 61 ]

تم استكشاف كل من الأشكال السطحية والعميقة (مثل الشبكات المتكررة) للشبكات العصبية الاصطناعية منذ ثمانينيات القرن الماضي. [ 62 ] [ 63 ] [ 64 ] ومع ذلك، لم تتفوق هذه الأساليب على تقنية نموذج خليط غاوسي / نموذج ماركوف المخفي (GMM-HMM) غير المنتظم ذي البنية الداخلية اليدوية. [ 65 ] وشملت الصعوبات التي تم تحليلها في تسعينيات القرن الماضي تناقص التدرج [ 66 ] وضعف بنية الارتباط الزمني. [ 67 ] [ 68 ] وتضافرت كل هذه الصعوبات مع عدم كفاية بيانات التدريب وقدرة الحوسبة. واتبعت معظم تقنيات التعرف على الكلام مناهج النمذجة التوليدية حتى تفوقت تقنيات التعلم العميق. (هينتون وآخرون، ودينغ وآخرون [ 59 ] [ 60 ] [ 69 ] [ 70 ])

العقد الثاني من القرن الحادي والعشرين

بحلول أوائل العقد الثاني من القرن الحادي والعشرين، تم التمييز بين التعرف على الكلام [ 71 ] [ 72 ] [ 73 ] والتعرف على المتحدث، واعتُبر استقلال الصوت عن المتحدث إنجازًا كبيرًا. وحتى ذلك الحين، كانت الأنظمة تتطلب فترة "تدريب" لكل صوت. [ 16 ]

في عام 2017، حقق باحثو مايكروسوفت إنجازًا هامًا في تحقيق التكافؤ مع البشر في نسخ الكلام الحواري على مهمة Switchboard المعيارية واسعة الانتشار. وقد استُخدمت نماذج متعددة للتعلم العميق لتحسين الدقة. وأُفيد بأن معدل الخطأ كان منخفضًا للغاية، حيث بلغ ما يعادل عمل أربعة ناسخين بشريين محترفين معًا على نفس المعيار. [ 74 ]

النماذج والأساليب والخوارزميات

يُعدّ كلٌّ من النمذجة الصوتية ونمذجة اللغة جزءًا أساسيًا من خوارزميات التعرّف على الكلام القائمة على الإحصاء. وتُستخدم نماذج ماركوف المخفية (HMMs) على نطاق واسع في العديد من الأنظمة. كما تُستخدم نمذجة اللغة في العديد من تطبيقات معالجة اللغة الطبيعية الأخرى، مثل تصنيف المستندات أو الترجمة الآلية الإحصائية .

نماذج ماركوف المخفية

تعتمد أنظمة التعرف على الكلام على نماذج ماركوف المخفية (HMMs). وهي نماذج إحصائية تُخرج سلسلة من الرموز أو الكميات. تُستخدم نماذج ماركوف المخفية في التعرف على الكلام لأن إشارة الكلام يمكن اعتبارها إشارة ثابتة جزئيًا أو إشارة ثابتة لفترة زمنية قصيرة. على نطاق زمني قصير (مثل 10 مللي ثانية)، يمكن تقريب الكلام كعملية ثابتة . ويمكن اعتبار الكلام نموذج ماركوف للعديد من الأغراض العشوائية.

تحظى نماذج ماركوف المخفية (HMMs) بشعبية واسعة نظرًا لإمكانية تدريبها تلقائيًا وبساطتها وسهولة استخدامها حسابيًا. يُخرج نموذج ماركوف المخفي سلسلة من المتجهات الحقيقية ذات الأبعاد n (حيث n عدد صحيح مثل 10)، بمعدل متجه واحد كل 10 مللي ثانية. تتكون هذه المتجهات من معاملات السيبسترال ، التي تُستخلص بتحويل فورييه لنافذة قصيرة من الكلام، ثم يُزال الارتباط الطيفي باستخدام تحويل جيب التمام ، ثم تُؤخذ المعاملات الأولى (الأكثر أهمية). يميل نموذج ماركوف المخفي، في كل حالة، إلى امتلاك توزيع إحصائي عبارة عن مزيج من توزيعات غاوسية ذات تباين قطري ، مما يُعطي احتمالية لكل متجه مُلاحظ. لكل كلمة، أو (في أنظمة التعرف على الكلام الأكثر عمومية) لكل صوت ، توزيع إخراج مختلف؛ ويُنشأ نموذج ماركوف المخفي لسلسلة من الكلمات أو الأصوات عن طريق دمج نماذج ماركوف المخفية المُدربة بشكل فردي للكلمات والأصوات المنفصلة.

تستخدم أنظمة التعرف على الكلام مزيجًا من التقنيات القياسية لتحسين النتائج. يطبق نظام نموذجي ذو مفردات واسعة النطاق اعتماد السياق على الأصوات (بحيث يكون للأصوات ذات السياق الأيسر والأيمن المختلف تمثيلات مختلفة كحالات نموذج ماركوف المخفي). ويستخدم هذا النظام تطبيع السيبسترال للتعامل مع ظروف المتحدث والتسجيل. وقد يستخدم تطبيع طول القناة الصوتية (VTLN) للتطبيع بين الذكور والإناث، والانحدار الخطي لأقصى احتمال (MLLR) للتكيف بشكل عام. تستخدم الميزات معاملات دلتا ودلتا-دلتا لالتقاط ديناميكيات الكلام، بالإضافة إلى إمكانية استخدام تحليل التمييز الخطي غير المتجانس (HLDA)؛ أو قد تستخدم التضفير والإسقاط القائم على تحليل التمييز الخطي، متبوعًا بتحليل التمييز الخطي غير المتجانس أو تحويل التغاير شبه المرتبط العالمي (المعروف أيضًا باسم تحويل الاحتمال الخطي الأقصى (MLLT)). تستخدم العديد من الأنظمة تقنيات تدريب تمييزية تستغني عن النهج الإحصائي البحت لتقدير معلمات نموذج ماركوف المخفي، وبدلاً من ذلك تعمل على تحسين بعض المقاييس المتعلقة بالتصنيف لبيانات التدريب. ومن الأمثلة على ذلك: الحد الأقصى للمعلومات المتبادلة (MMI)، والحد الأدنى لخطأ التصنيف (MCE)، والحد الأدنى لخطأ الهاتف (MPE).

التعرف على الكلام القائم على تقنية مطابقة الوقت الديناميكية (DTW)

كان يتم استخدام تقنية مطابقة الوقت الديناميكية تاريخياً للتعرف على الكلام، ولكن تم استبدالها لاحقاً بتقنية HMM.

يقيس التواء الوقت الديناميكي (DTW) التشابه بين سلسلتين قد تختلفان في الوقت أو السرعة. على سبيل المثال، يمكن اكتشاف أوجه التشابه في أنماط المشي، حتى لو كان الشخص يمشي ببطء في أحد مقاطع الفيديو وبسرعة أكبر في مقطع آخر، أو حتى لو حدثت تسارعات وتباطؤات خلال نفس عملية الرصد. وقد طُبِّق التواء الوقت الديناميكي على الفيديو والصوت والرسومات - أي بيانات يمكن تحويلها إلى تمثيل خطي يمكن تحليلها باستخدام هذه التقنية.

يمكن لهذا الأسلوب التعامل مع الكلام بسرعات مختلفة. وبشكل عام، يسمح بمطابقة مثالية بين سلسلتين (مثل السلاسل الزمنية) ضمن قيود معينة. تُجرى عملية "تشويه" غير خطية للسلسلتين لتتوافقا. تُستخدم طريقة محاذاة السلاسل هذه غالبًا في سياق نماذج ماركوف المخفية (HMMs).

الشبكات العصبية

أصبحت الشبكات العصبية مثيرة للاهتمام في أواخر الثمانينيات قبل أن تبدأ في الهيمنة في العقد الثاني من القرن الحادي والعشرين. وقد تم استخدام الشبكات العصبية في العديد من جوانب التعرف على الكلام، مثل تصنيف الصوتيات، [ 75 ] وتصنيف الصوتيات من خلال الخوارزميات التطورية متعددة الأهداف، [ 76 ] والتعرف على الكلمات المنفردة، [ 77 ] والتعرف على الكلام السمعي البصري ، والتعرف على المتحدث السمعي البصري، وتكييف المتحدث.

تعتمد الشبكات العصبية على افتراضات أقل صراحةً حول الخصائص الإحصائية للميزات مقارنةً بنماذج ماركوف المخفية. وعند استخدامها لتقدير احتمالات مقطع كلامي، تتيح الشبكات العصبية تدريبًا تمييزيًا طبيعيًا وفعالًا. ومع ذلك، فعلى الرغم من فعاليتها في تصنيف الوحدات الزمنية القصيرة، مثل الأصوات الفردية والكلمات المنفردة، [ 78 ] نادرًا ما نجحت الشبكات العصبية المبكرة في التعرف المستمر نظرًا لقدرتها المحدودة على نمذجة التبعيات الزمنية.

كان أحد الأساليب هو استخدام الشبكات العصبية لتحويل الميزات، أو تقليل الأبعاد. [ 79 ] ومع ذلك، في الآونة الأخيرة، أظهرت شبكات الذاكرة طويلة المدى (LSTM) والشبكات العصبية المتكررة ذات الصلة (RNNs)، [ 45 ] [ 49 ] [ 80 ] [ 81 ] وشبكات التأخير الزمني العصبية (TDNNs)، [ 82 ] والمحولات [ 54 ] [ 55 ] [ 56 ] أداءً محسّنًا.

الشبكات العصبية العميقة ذات التغذية الأمامية والمتكررة

يستكشف الباحثون الشبكات العصبية العميقة (DNNs) وخوارزميات التشفير التلقائي لإزالة التشويش . [ 83 ] الشبكة العصبية العميقة هي نوع من الشبكات العصبية الاصطناعية التي تتضمن طبقات مخفية متعددة بين المدخلات والمخرجات. [ 59 ] ومثل الشبكات العصبية الأبسط، تستطيع الشبكات العصبية العميقة نمذجة العلاقات المعقدة وغير الخطية. ومع ذلك، فإن بنيتها الأكثر عمقًا تسمح لها ببناء تمثيلات أكثر تطورًا تجمع بين ميزات من الطبقات السابقة. وهذا يمنحها قدرة فائقة على تعلم الأنماط المعقدة في بيانات الكلام والتعرف عليها. [ 84 ]

A major breakthrough in using DNNs for large vocabulary speech recognition came in 2010. In a collaboration between industry and academia, researchers used DNNs with large output layers based on context-dependent HMM states that were created using decision trees.[85][86][87] This approach significantly improved performance.[88][89][90]

A core idea behind deep learning is to eliminate the need for manually designed features and instead learn directly from input data. This was first demonstrated using deep autoencoders trained on raw spectrograms or linear filter-bank features.[91] These models outperformed traditional Mel-Cepstral features, which rely on fixed transformations. More recently, researchers showed that waveforms can achieve excellent results in large-scale speech recognition.[92]

End-to-end learning

Since 2014, much research has considered "end-to-end" ASR. Traditional phonetic-based (i.e., all HMM-based model) approaches required separate components and training for pronunciation, acoustic, and language. End-to-end models learn from all the components at once. This simplifies the training and deployment processes. For example, an n-gram language model is required for all HMM-based systems, and a typical 2025-era n-gram language model often takes gigabytes in memory, making them impractical to deploy on mobile devices.[93] Consequently, ASR systems from Google and Apple (as of 2017) deploy on servers and required a network connection to operate.

كانت المحاولة الأولى في مجال التعرف التلقائي على الكلام من البداية إلى النهاية هي نظام التصنيف الزمني الاتصالي (CTC) الذي قدمه أليكس غريفز من جوجل ديب مايند ونافديب جايتلي من جامعة تورنتو عام 2014. [ 94 ] يتكون النموذج من شبكات عصبية متكررة (RNNs) وطبقة CTC. يتعلم نموذج RNN-CTC معًا النطق والنموذج الصوتي، إلا أنه يعجز عن تعلم نموذج اللغة بسبب افتراضات الاستقلال الشرطي ، على غرار نموذج ماركوف المخفي (HMM). ونتيجة لذلك، تستطيع نماذج CTC تعلم ربط الصوتيات الكلامية بالأحرف الإنجليزية مباشرةً، لكنها ترتكب العديد من الأخطاء الإملائية الشائعة، وتعتمد على نموذج لغوي منفصل لإتمام النصوص. لاحقًا، وسّعت بايدو نطاق العمل باستخدام مجموعات بيانات ضخمة للغاية، وحققت بعض النجاح التجاري في اللغتين الصينية والإنجليزية. [ 95 ]

في عام 2016، قدمت جامعة أكسفورد نموذج LipNet [ 96 ] ، وهو أول نموذج شامل لقراءة الشفاه على مستوى الجملة، باستخدام الالتفافات المكانية والزمانية المقترنة ببنية RNN-CTC، متجاوزًا بذلك أداء الإنسان في مجموعة بيانات محدودة. [ 97 ] وفي عام 2018، قدمت جوجل ديب مايند بنية التفافية واسعة النطاق من نوع RNN-CTC، محققةً أداءً أفضل بست مرات من الخبراء البشريين. [ 98 ] وفي عام 2019، أطلقت إنفيديا نموذجين للتعرف التلقائي على الكلام من نوع CNN-CTC، وهما Jasper وQuarzNet، بمعدل خطأ في الكلمات (WER) إجمالي قدره 3%. [ 99 ] [ 100 ] وكما هو الحال في تطبيقات التعلم العميق الأخرى، يُعدّ التعلم بالنقل وتكييف المجال من الاستراتيجيات المهمة لإعادة استخدام نماذج التعلم العميق وتوسيع قدراتها، لا سيما بسبب صغر حجم مجموعات البيانات المتاحة في العديد من اللغات و/أو المجالات المحددة. [ 101 ] [ 102 ] [ 103 ]

في عام 2018، أعلن باحثون في مختبر الإعلام بمعهد ماساتشوستس للتكنولوجيا عن أعمال أولية على جهاز AlterEgo، وهو جهاز يستخدم أقطابًا كهربائية لقراءة الإشارات العصبية العضلية التي يصدرها المستخدمون أثناء التلفظ الداخلي . [ 104 ] وقد قاموا بتدريب شبكة عصبية التفافية لترجمة إشارات الأقطاب الكهربائية إلى كلمات. [ 105 ]

النماذج القائمة على الانتباه

طُرحت نماذج التعرف التلقائي على الكلام القائمة على الانتباه من قِبل تشان وآخرون من جامعة كارنيجي ميلون وجوجل برين ، وبهدانو وآخرون من جامعة مونتريال في عام 2016. [ 106 ] [ 107 ] النموذج المسمى "الاستماع، الانتباه، والتهجئة" (LAS)، يستمع حرفيًا إلى الإشارة الصوتية، ويولي اهتمامًا لجميع أجزاء الإشارة، ثم يهجّي النص حرفًا حرفًا. على عكس النماذج القائمة على CTC، تتطلب النماذج القائمة على الانتباه افتراضات الاستقلال الشرطي، ويمكنها تعلم جميع مكونات مُعرِّف الكلام مباشرةً. هذا يعني أنه أثناء النشر، لا يلزم وجود نموذج لغوي مُسبق ، مما يجعلها أقل استهلاكًا للموارد بالنسبة للتطبيقات ذات الذاكرة المحدودة.

تفوقت النماذج القائمة على الانتباه فورًا على نماذج CTC (مع أو بدون نموذج لغوي خارجي) واستمرت في التحسن. [ 108 ] اقترحت جامعة كارنيجي ميلون ومعهد ماساتشوستس للتكنولوجيا وجوجل برين خوارزمية تحليل التسلسل الكامن (LSD) لإصدار وحدات فرعية من الكلمات مباشرةً، وهي أكثر طبيعية من الأحرف الإنجليزية. [ 109 ] قامت جامعة أكسفورد وجوجل ديب مايند بتوسيع خوارزمية LAS إلى "المشاهدة والاستماع والانتباه والتهجئة" (WLAS) للتعامل مع قراءة الشفاه، وتجاوزت الأداء البشري. [ 110 ]

التطبيقات

أنظمة داخل السيارة

يمكن استخدام الأوامر الصوتية لإجراء المكالمات الهاتفية، أو اختيار محطات الراديو، أو تشغيل الموسيقى. وتختلف إمكانيات التعرف على الصوت باختلاف نوع السيارة وطرازها. توفر بعض الطرازات ميزة التعرف على الكلام باللغة الطبيعية، مما يسمح للسائق باستخدام جمل كاملة وعبارات شائعة بأسلوب حواري. مع هذه الأنظمة، لا حاجة إلى أوامر ثابتة. [ 111 ]

تعليم

التقييم التلقائي للنطق هو استخدام تقنية التعرف على الكلام للتحقق من صحة الكلام، [ 112 ] وهو يختلف عن التقييم البشري. [ 113 ] ويُعرف أيضًا باسم التحقق من الكلام، وتقييم النطق، وتسجيل النطق، ويتمثل التطبيق الرئيسي لهذه التقنية في تعليم النطق بمساعدة الحاسوب (CAPT) عند دمجه مع التعليم بمساعدة الحاسوب لتعلم اللغات بمساعدة الحاسوب (CALL)، أو معالجة النطق ، أو تقليل اللهجة . لا يُحدد تقييم النطق الكلام غير المعروف (كما هو الحال في الإملاء أو النسخ التلقائي )، بل يُقارن الكلام بنموذج مرجعي للكلمات المنطوقة، [ 114 ] [ 115 ] وأحيانًا مع خصائص نبرية غير مهمة مثل التنغيم ، ودرجة الصوت ، والسرعة ، والإيقاع ، والتشديد . [ 116 ] يُستخدم تقييم النطق أيضًا في تعليم القراءة ، على سبيل المثال في منتجات مثل Microsoft Teams [ 117 ] وAmira Learning. [ 118 ] يمكن أيضًا استخدام تقييم النطق للمساعدة في تشخيص وعلاج اضطرابات الكلام مثل الحبسة الكلامية . [ 119 ]

يُعدّ تقييم وضوح الكلام أمرًا بالغ الأهمية لتجنب الأخطاء الناتجة عن تحيّز اللهجة، لا سيما في التقييمات ذات الأهمية الكبيرة، [ 120 ] [ 121 ] [ 122 ] أو عن الكلمات ذات النطق الصحيح المتعدد، [ 123 ] أو عن أخطاء ترميز الصوتيات في قواميس النطق الرقمية. [ 124 ] في عام 2022، وجد الباحثون أن بعض أنظمة تحويل الكلام إلى نص الحديثة، القائمة على التعلم المعزز الشامل لربط الإشارات الصوتية مباشرةً بالكلمات، تُنتج درجات ثقة للكلمات والعبارات ترتبط ارتباطًا وثيقًا بوضوح كلام المستمع. [ 125 ] في معايير التقييم الخاصة بالإطار الأوروبي المرجعي الموحد للغات (CEFR) لـ "التحكم الصوتي الشامل"، يتفوق وضوح الكلام على النطق الصحيح رسميًا على جميع المستويات. [ 126 ]

الرعاية الصحية

الوثائق الطبية

في قطاع الرعاية الصحية، يمكن تطبيق تقنية التعرف على الكلام في عمليات التوثيق الطبي، سواءً في مرحلة التقديم أو في مرحلة المعالجة. في مرحلة التقديم، يُملي مقدم الرعاية الصحية كلامه على نظام التعرف على الكلام، فتُعرض الكلمات فور التعرف عليها، ويكون المتحدث مسؤولاً عن تحرير الوثيقة واعتمادها. أما في مرحلة المعالجة المؤجلة، فيتحدث مقدم الرعاية الصحية إلى نظام إملاء رقمي ، ثم يُمرر الصوت عبر جهاز التعرف على الكلام، ويُرسل مسودة الوثيقة مع ملف الصوت إلى محرر يقوم بتحريرها ووضع اللمسات الأخيرة عليها، ثم يُنهي التقرير النهائي.

تتمثل إحدى المشكلات الرئيسية في أن قانون الإنعاش الاقتصادي الأمريكي لعام 2009 ( ARRA ) يوفر مزايا مالية كبيرة للأطباء الذين يستخدمون سجلات صحية إلكترونية (EHR) تتوافق مع معايير "الاستخدام الأمثل". تتطلب هذه المعايير الاحتفاظ بكمية كبيرة من البيانات في السجل الصحي الإلكتروني. يُعد استخدام تقنية التعرف على الكلام أكثر ملاءمةً لإنشاء النصوص السردية، كجزء من تفسير الأشعة/علم الأمراض، أو ملاحظات التقدم، أو ملخص الخروج من المستشفى؛ أما الفوائد المريحة لاستخدام تقنية التعرف على الكلام لإدخال بيانات منفصلة منظمة (مثل القيم الرقمية أو الرموز من قائمة أو مفردات مُتحكم بها ) فهي ضئيلة نسبيًا للأشخاص المبصرين القادرين على استخدام لوحة المفاتيح والفأرة.

تكمن المشكلة الأهم في أن معظم السجلات الصحية الإلكترونية لم تُصمم خصيصًا للاستفادة من إمكانيات التعرف على الصوت. يتضمن جزء كبير من تفاعل الطبيب مع هذه السجلات التنقل عبر واجهة المستخدم التي تعتمد بشكل كبير على لوحة المفاتيح والفأرة؛ ولا يوفر التنقل الصوتي سوى فوائد مريحة محدودة. في المقابل، تُطبق العديد من الأنظمة المُخصصة للغاية لإملاء التقارير في أقسام الأشعة أو علم الأمراض "وحدات ماكرو" صوتية، حيث يؤدي استخدام عبارات معينة - مثل "تقرير طبيعي" - إلى ملء عدد كبير من القيم الافتراضية تلقائيًا و/أو إنشاء نصوص نمطية، تختلف باختلاف نوع الفحص - على سبيل المثال، صورة أشعة سينية للصدر مقابل سلسلة صور تباين للجهاز الهضمي في نظام الأشعة.

الاستخدام العلاجي

أظهر الاستخدام المطوّل لبرامج التعرّف على الكلام بالتزامن مع معالجات النصوص فوائد في تقوية الذاكرة قصيرة المدى لدى مرضى التشوه الشرياني الوريدي الدماغي الذين خضعوا للعلاج بالاستئصال . ولا تزال هناك حاجة إلى إجراء المزيد من الأبحاث لتحديد الفوائد المعرفية للأفراد الذين عولجت تشوهاتهم الشريانية الوريدية باستخدام التقنيات الإشعاعية. [ 127 ]

جيش

الطائرات

بُذلت جهودٌ كبيرة لاختبار وتقييم أنظمة التعرف على الكلام في الطائرات المقاتلة . ومن أبرز هذه الجهود البرنامج الأمريكي للتعرف على الكلام في طائرة F - 16 VISTA (برنامج دمج تقنيات المقاتلات المتقدمة AFTI) ، والبرنامج الفرنسي لطائرات ميراج ، والبرامج البريطانية التي تتناول منصات طائرات متنوعة. وقد تم تشغيل أنظمة التعرف على الكلام بنجاح في هذه البرامج، وشملت تطبيقاتها ضبط الترددات اللاسلكية، والتحكم في نظام الطيار الآلي، وتحديد إحداثيات نقاط التوجيه ومعايير إطلاق الأسلحة، والتحكم في شاشة عرض معلومات الطيران.

أفاد إنجلوند (2004)، أثناء عمله مع طيارين سويديين يقودون طائرات JAS-39 غريبن، أن التعرف على الكلام يتراجع مع ازدياد قوة التسارع . وخلصت الدراسة إلى أن التكيف حسّن النتائج بشكل كبير في جميع الحالات، وأن إدخال نماذج للتنفس أدى إلى تحسين درجات التعرف بشكل ملحوظ. وخلافًا لما كان متوقعًا، لم يُلاحظ أي تأثير للغة الإنجليزية غير المتقنة للمتحدثين. وقد تسبب الكلام التلقائي في مشاكل لنظام التعرف، كما كان متوقعًا. وبالتالي، يُتوقع أن يؤدي استخدام مفردات محدودة، وقبل كل شيء، استخدام قواعد نحوية سليمة، إلى تحسين دقة التعرف بشكل كبير. [ 128 ]

تستخدم طائرة يوروفايتر تايفون نظامًا يعتمد على مكبر الصوت، مما يتطلب من كل طيار إنشاء نموذج. لا يُستخدم هذا النظام في المهام الحساسة للسلامة أو المتعلقة بالأسلحة، مثل إطلاق الأسلحة أو إنزال عجلات الهبوط، ولكنه يُستخدم في العديد من وظائف قمرة القيادة. يتم تأكيد الأوامر الصوتية من خلال ردود فعل بصرية و/أو سمعية. يُعتبر هذا النظام ميزة رئيسية في تقليل عبء العمل على الطيار ، [ 129 ] ويتيح له تحديد الأهداف بأمرين صوتيين فقط، أو للطائرة المرافقة بخمسة أوامر فقط. [ 130 ]

تُجرى حاليًا اختبارات على أنظمة مستقلة عن المتحدث لطائرة إف-35 لايتنينغ 2 (المقاتلة الضاربة المشتركة) وطائرة التدريب المقاتلة ألينيا إيرماكي إم-346 ماستر . وقد حققت هذه الأنظمة دقة في نطق الكلمات تتجاوز 98%. [ 131 ] [ 132 ]

طائرات الهليكوبتر

تُعدّ مشاكل تحقيق دقة عالية في التعرف على الكلام في ظلّ الضغط والضوضاء ذات أهمية خاصة في بيئة المروحيات ، وكذلك في بيئة الطائرات المقاتلة. وتتفاقم مشكلة الضوضاء الصوتية في بيئة المروحيات نظرًا لارتفاع مستويات الضوضاء، ولأنّ طياري المروحيات، عمومًا، لا يرتدون قناعًا للوجه ، وهو ما من شأنه أن يقلل الضوضاء الصوتية في الميكروفون . وقد أُجريت برامج اختبار وتقييم مكثفة، لا سيما من قِبل نشاط أبحاث وتطوير إلكترونيات الطيران التابع للجيش الأمريكي (AVRADA) والمؤسسة الملكية للفضاء الجوي ( RAE ) في المملكة المتحدة. وشملت الأعمال في فرنسا التعرف على الكلام في مروحية بوما . وتشمل تطبيقات الصوت التحكم في أجهزة الاتصال اللاسلكي، وأنظمة الملاحة، ونظام تسليم الأهداف الآلي.

تتمثل المشكلة الرئيسية في مجال الصوت في تأثيره على كفاءة الطيار. وقد سُجلت نتائج مشجعة لاختبارات AVRADA، على الرغم من أنها لا تمثل سوى عرض توضيحي لجدوى التطبيق في بيئة اختبارية. ولا يزال هناك الكثير مما يجب فعله في مجال التعرف على الكلام وفي تكنولوجيا الكلام عموماً لتحقيق تحسينات مستمرة في الأداء في البيئات التشغيلية.

مراقبة الحركة الجوية

يُعدّ تدريب مراقبي الحركة الجوية تطبيقًا مثاليًا لأنظمة التعرّف على الكلام. تتطلب العديد من أنظمة التدريب الحالية وجود مُدرّب يقوم بدور "طيار افتراضي"، حيث يُجري حوارًا صوتيًا مع المتدرب، مُحاكيًا بذلك الحوار الذي يجريه المراقب مع الطيارين الحقيقيين. تُتيح تقنيات التعرّف على الكلام وتوليفه إمكانية الاستغناء عن وجود شخص يقوم بدور الطيار الافتراضي، مما يُقلّل من الحاجة إلى التدريب وموظفي الدعم.

نظرياً، تتميز مهام مراقبي الحركة الجوية باستخدام كلام منظم للغاية كمخرج رئيسي، مما يقلل من صعوبة مهمة التعرف على الكلام. لكن عملياً، نادراً ما يكون هذا هو الحال. توضح وثيقة إدارة الطيران الفيدرالية رقم 7110.65 العبارات التي ينبغي على مراقبي الحركة الجوية استخدامها. ورغم أن هذه الوثيقة لا تقدم سوى أقل من 150 مثالاً على هذه العبارات، إلا أن عدد العبارات التي تدعمها أنظمة التعرف على الكلام لدى أحد موردي برامج المحاكاة يتجاوز 500,000 عبارة.

تستخدم القوات الجوية الأمريكية، ومشاة البحرية الأمريكية، والجيش الأمريكي، والبحرية الأمريكية، وإدارة الطيران الفيدرالية، بالإضافة إلى منظمات تدريب مراقبة الحركة الجوية الدولية مثل القوات الجوية الملكية الأسترالية وهيئات الطيران المدني في إيطاليا والبرازيل وكندا، أجهزة محاكاة مراقبة الحركة الجوية المزودة بتقنية التعرف على الكلام. [ 133 ]

الأشخاص ذوي الإعاقة

تُقدّم برامج التعرّف على الكلام فوائد جمّة للأشخاص ذوي الإعاقة. فبالنسبة للصمّ وضعاف السمع ، يُمكن استخدام برامج التعرّف على الكلام لإنشاء ترجمة مكتوبة للمحادثات. [ 134 ] إضافةً إلى ذلك، يُمكن للأشخاص المكفوفين (انظر: العمى والتعليم ) أو ضعاف البصر الاستفادة من الاستماع إلى المحتوى النصي، فضلاً عن الحصول على مزيد من وظائف الحاسوب من خلال إصدار الأوامر الصوتية. [ 135 ]

لقد أثبت استخدام برامج التعرف على الصوت، بالاقتران مع مسجل الصوت الرقمي وجهاز كمبيوتر شخصي يعمل ببرنامج معالجة النصوص، فائدته في استعادة قدرة الذاكرة قصيرة المدى المتضررة لدى الأفراد الذين أصيبوا بسكتة دماغية أو خضعوا لعملية فتح الجمجمة .

أثبتت تقنية التعرف على الكلام فائدتها الكبيرة للأشخاص الذين يواجهون صعوبة في استخدام أيديهم لأسباب تتراوح بين إصابات الإجهاد المتكرر الخفيفة والإعاقات التي تحول دون استخدام أجهزة إدخال البيانات التقليدية للحاسوب. إذ يمكن للأفراد ذوي الإعاقات الجسدية استخدام الأوامر الصوتية والترجمة الصوتية للتنقل بين الأجهزة الإلكترونية دون استخدام اليدين. [ 135 ] في الواقع، شكّل الأشخاص الذين أصيبوا بإصابات الإجهاد المتكرر نتيجة استخدام لوحة المفاتيح سوقًا مبكرة وملحة لتقنية التعرف على الكلام. [ 136 ] [ 137 ] تُستخدم تقنية التعرف على الكلام في الاتصالات الهاتفية للصم ، مثل تحويل البريد الصوتي إلى نص، وخدمات الترحيل ، والهاتف المزود بترجمة مكتوبة . قد يستفيد الأفراد ذوو صعوبات التعلم الذين يجدون صعوبة في التواصل الكتابي من هذا البرنامج، إلا أن احتمالية عدم دقة المنتج تظل عاملًا مهمًا للكثيرين. [ 138 ] إضافةً إلى ذلك، لا تُعدّ تقنية تحويل الكلام إلى نص وسيلة مساعدة فعالة للأشخاص ذوي الإعاقات الذهنية إلا إذا تم توفير التدريب والموارد المناسبة (مثلًا في بيئة الفصل الدراسي). [ 139 ]

يمكن لهذا النوع من التكنولوجيا أن يساعد الأشخاص الذين يعانون من عسر القراءة وغيره من صعوبات التعلم . وقد وُجد أن تقنية تحويل الكلام إلى نص تُحسّن جودة الكتابة [ 140 ] لدى الطلاب ذوي صعوبات التعلم. وبالمقارنة مع نماذج الكتابة اليدوية، وُجد أن الطلاب ذوي صعوبات التعلم الذين استخدموا هذه التقنية يكتبون بشكل أسرع [ 141 ] [ 142 ] ، ويكتبون جملًا أطول وأكثر تعقيدًا [ 142 ] مع أخطاء أقل. [ 143 ] كما وُجد أن تقدير الذات [ 140 ] لدى الطلاب الصغار ذوي صعوبات التعلم يرتفع عند استخدام هذه التقنية نتيجة انخفاض مستويات القلق [ 144 ] المرتبطة بالكتابة. يرتكب الطلاب أخطاءً أقل عند استخدام البرنامج مقارنةً بالكتابة اليدوية، مما يجعلهم أكثر ثقة في كتاباتهم. إلا أن الأخطاء التي يرتكبها البرنامج تُعيق فعاليته، لأن تصحيح الكلمات المسموعة بشكل خاطئ يستغرق وقتًا أطول. [ 145 ] إن اضطرار الطلاب إلى مراجعة الكلمات المسموعة بشكل خاطئ يساعدهم على رؤية أخطائهم وتصحيحها. [ 141 ] وقد ثبت أن هذا يُحسّن مهارات التعرف على الأخطاء لدى المستخدمين. [ 144 ]

مجالات أخرى

أصبح التعرف التلقائي على الكلام (ASR) شائعًا الآن في مجال الاتصالات الهاتفية . في أنظمة الاتصالات الهاتفية، يُستخدم التعرف التلقائي على الكلام بشكل أساسي في مراكز الاتصال من خلال دمجه مع أنظمة الرد الصوتي التفاعلي (IVR) .

أصبح هذا الأمر أكثر انتشارًا في ألعاب الكمبيوتر والمحاكاة.

على الرغم من مستوى التكامل العالي مع معالجة النصوص في الحوسبة الشخصية العامة، إلا أن تقنية التعرف التلقائي على الكلام لم تشهد الزيادات المتوقعة في الاستخدام في مجال إنتاج المستندات.

أدى تحسين سرعات معالجات الهواتف المحمولة إلى جعل تقنية التعرف على الكلام عملية في الهواتف الذكية . ويُستخدم الكلام في الغالب كجزء من واجهة المستخدم، لإنشاء أوامر صوتية مُعدة مسبقًا أو مخصصة.

أداء

يُقيّم أداء أنظمة التعرف على الكلام عادةً من حيث الدقة والسرعة. [ 150 ] [ 151 ] تُقاس الدقة عادةً بمعدل خطأ الكلمات (WER)، بينما تُقاس السرعة بالوقت المنقضي. تشمل مقاييس الدقة الأخرى معدل خطأ الكلمة الواحدة (SWER) ومعدل نجاح الأوامر (CSR).

يُعدّ التعرّف على الكلام عملية معقدة نظرًا لتعدد خصائص الكلام. تتنوع الأصوات من حيث اللهجة، والنطق، والتعبير، والخشونة، واللهجة المحلية، والأنفية، ودرجة الصوت، وشدته، وسرعته. كما يتأثر الكلام بالضوضاء المحيطة، والصدى، وخصائص التسجيل. وقد تختلف دقة التعرّف على الكلام تبعًا لما يلي: [ 152 ] [ 153 ]

  • حجم المفردات ومدى سهولة الخلط بينها
  • اعتماد المتحدث مقابل استقلاليته
  • الكلام المنفرد أو المتقطع أو المتصل
  • قيود المهمة واللغة
  • القراءة مقابل الكلام التلقائي
  • الظروف المعاكسة

دقة

قد تختلف دقة التعرف على الكلام تبعاً للعوامل التالية:

  • تزداد معدلات الخطأ مع ازدياد حجم المفردات:
على سبيل المثال، يمكن التعرف على الأرقام العشرة من "صفر" إلى "تسعة" بشكل مثالي تقريبًا، ولكن أحجام المفردات التي تبلغ 200 أو 5000 أو 100000 قد يكون لها معدلات خطأ بنسبة 3٪ أو 7٪ أو 45٪ على التوالي.
  • يصعب التعرف على المفردات إذا كانت تحتوي على حروف متشابهة:
على سبيل المثال، يصعب التمييز بين حروف الأبجدية الإنجليزية الستة والعشرين لأنها كلمات متشابهة (وأشهرها مجموعة الحروف E: "B، C، D، E، G، P، T، V، Z (حيث يُنطق حرف "Z" "زي" بدلاً من "زد"، حسب المنطقة)؛ ويُعتبر معدل خطأ 8% جيدًا لهذه المفردات. [ 154 ]
  • الاعتماد على المتحدث مقابل الاستقلالية:
    • النظام المعتمد على مكبر الصوت مصمم للاستخدام بواسطة مكبر صوت واحد.
    • يُقصد بالنظام المستقل عن السماعة استخدامه بواسطة أي سماعة (وهو أمر أكثر صعوبة). [ 155 ]
  • الكلام المنفرد أو المتقطع أو المتصل
    • في الكلام المنفرد، تُستخدم كلمات مفردة، مما يسهل التعرف عليها.
    • في الكلام المتقطع، تُستخدم جمل كاملة مفصولة بفترات صمت. يسهل تمييز الصمت، على غرار الكلام المنفرد.
    • في الكلام المتواصل، تُستخدم الجمل المنطوقة بشكل طبيعي، والتي يصعب التعرف عليها.
  • يمكن أن تؤثر قيود المهمة واللغة على عملية التعرف.
    • يجوز للتطبيق الطالب رفض الفرضية القائلة "التفاحة حمراء".
    • قد تكون القيود دلالية؛ كرفض عبارة "التفاحة غاضبة".
    • نحويًا؛ رفض "الأحمر هو التفاحة".
    • غالباً ما يتم تمثيل القيود بواسطة القواعد النحوية.
  • القراءة مقابل الكلام التلقائي
    • عندما يقرأ الشخص، فإنه عادة ما يقرأ في سياق تم إعداده مسبقاً.
    • عندما يتحدث الشخص بشكل عفوي، يجب على نظام التعرف على الكلام التعامل مع حالات عدم الطلاقة مثل "أه" و "همم"، والبدايات الخاطئة، والجمل غير المكتملة، والتأتأة، والسعال، والضحك) والمفردات المحدودة.
  • الظروف المعاكسة
    • الضوضاء البيئية (على سبيل المثال، في سيارة أو مصنع).
    • التشوهات الصوتية (مثل الصدى، وخصائص الصوت في الغرفة)

التعرف على الكلام هو مهمة متعددة المستويات للتعرف على الأنماط.

  • يتم تنظيم الإشارات الصوتية في تسلسل هرمي من الوحدات، على سبيل المثال ، الفونيمات والكلمات والعبارات والجمل؛
  • يوفر كل مستوى قيودًا إضافية؛ على سبيل المثال، نطق الكلمات المعروف أو تسلسلات الكلمات القانونية، والتي يمكن أن تعوض عن الأخطاء أو الشكوك في مستوى أدنى؛

يُحسّن هذا التسلسل الهرمي للقيود الدقة. فمن خلال دمج القرارات احتماليًا في جميع المستويات الأدنى، واتخاذ القرارات النهائية فقط في المستوى الأعلى، تُقسّم عملية التعرّف على الكلام إلى عدة مراحل. حسابيًا، تُعدّ هذه العملية مشكلةً يتم فيها التعرّف على نمط صوتي أو تصنيفه ضمن فئة تُمثّل معنىً للإنسان. يمكن تقسيم أي إشارة صوتية إلى إشارات فرعية أصغر. ومع تقسيم الإشارة الصوتية الأكثر تعقيدًا، تُنشأ مستويات مختلفة، حيث يحتوي المستوى الأعلى على أصوات معقدة مُكوّنة من أصوات أبسط في المستوى الأدنى، وهكذا. في المستوى الأدنى، تُطبّق قواعد بسيطة وأكثر احتمالية. تُجمّع هذه الأصوات في أصوات أكثر تعقيدًا في المستوى الأعلى، حيث تتنبأ مجموعة جديدة من القواعد الأكثر حتمية بما يُمثّله الصوت المعقد. يجب على المستوى الأعلى من القاعدة الحتمية تحديد معنى التعبيرات المعقدة. من أجل توسيع معرفتنا بالتعرّف على الكلام، نحتاج إلى أخذ الشبكات العصبية في الاعتبار. تستخدم مناهج الشبكات العصبية الخطوات التالية:

  • رقمنة الكلام - بالنسبة للكلام عبر الهاتف، يتم التقاط 8000 عينة في الثانية؛ [ 156 ]
  • حساب خصائص المجال الطيفي للكلام (باستخدام تحويل فورييه)؛ يتم حسابها كل 10 مللي ثانية، مع قسم واحد مدته 10 مللي ثانية يسمى إطارًا؛

ينتج الصوت عن اهتزاز الهواء (أو أي وسط آخر). يُولّد الصوت موجةً لها بُعدان: السعة (الشدة) والتردد (عدد الاهتزازات في الثانية). [ 157 ] يمكن حساب الدقة باستخدام معدل خطأ الكلمات (WER)، والذي يُحسب بمحاذاة الكلمة المُتعرَّف عليها مع الكلمة المرجعية باستخدام محاذاة السلاسل الديناميكية. قد تحدث مشكلة أثناء حساب معدل خطأ الكلمات بسبب اختلاف أطوال تسلسل الكلمة المُتعرَّف عليها عن الكلمة المرجعية.

الصيغة المستخدمة لحساب معدل الخطأ في الكلمات (WER) هي:

دبليوهـR=(s+د+أنا)ن{\displaystyle WER={(s+d+i) \over n}}

حيث يمثل s عدد عمليات الاستبدال، وd عدد عمليات الحذف، وi عدد عمليات الإضافة، و n عدد عمليات الإشارة إلى الكلمات. [ 158 ]

أثناء الحساب، يتم استخدام معدل التعرف على الكلمات (WRR). الصيغة هي:

دبليوRR=1-دبليوهـR=(ن-s-د-أنا)ن=ح-أنان{\displaystyle WRR=1-WER={(nsdi) \over n}={hi \over n}}

حيث يمثل h عدد الكلمات التي تم التعرف عليها بشكل صحيح:

ح=ن-(s+د).{\displaystyle h=n-(s+d).}

حماية

قد يُستغل التعرف على الكلام كوسيلة للهجوم أو السرقة أو التشغيل غير المقصود. فعلى سبيل المثال، قد تتسبب كلمات التفعيل مثل "أليكسا" المنطوقة في بث صوتي أو مرئي في بدء الأجهزة المنزلية والمكتبية بالاستماع إلى المدخلات بشكل غير مناسب، أو ربما اتخاذ إجراءات غير مرغوب فيها. [ 159 ] قد تكون الأجهزة التي تعمل بالتحكم الصوتي متاحة للمستخدمين غير المصرح لهم. وقد يتمكن المهاجمون من الوصول إلى المعلومات الشخصية، مثل التقاويم ومحتويات دفتر العناوين والرسائل الخاصة والمستندات. كما قد يتمكنون من انتحال شخصية المستخدم لإرسال الرسائل أو إجراء عمليات شراء عبر الإنترنت.

تم إثبات وجود هجومين يستخدمان أصواتًا اصطناعية. أحدهما يبث موجات فوق صوتية ويحاول إرسال أوامر دون أن يلاحظها المستخدمون. [ 160 ] أما الآخر فيضيف تشوهات صغيرة غير مسموعة إلى الكلام أو الموسيقى، مصممة خصيصًا لتضليل نظام التعرف على الكلام وجعله يتعرف على الموسيقى على أنها كلام، أو لجعل ما يبدو كأمر معين للإنسان يبدو كأمر مختلف للنظام. [ 161 ]

للمزيد من المعلومات

المؤتمرات

تشمل المؤتمرات الدورية مؤتمرات SpeechTEK وSpeechTEK Europe و ICASSP وInterspeech/Eurospeech وIEEE ASRU. أما المؤتمرات في مجال معالجة اللغة الطبيعية ، مثل ACL و NAACL وEMNLP وHLT، فتتضمن أوراقًا بحثية حول معالجة الكلام .

مجلة

المجلة الرئيسية هي IEEE/ACM Transactions on Audio, Speech and Language Processing .

الكتب

  • أساسيات التعرف على الكلام بقلم لورانس رابينر (1993)
  • الأساليب الإحصائية للتعرف على الكلام، بقلم فريدريك جيلينك
  • معالجة اللغة المنطوقة بواسطة شويدونغ هوانغ وآخرون (2001)
  • الكلام الحاسوبي من تأليف مانفريد ر. شرودر (2004)
  • معالجة الكلام: نهج ديناميكي وموجه نحو التحسين من تأليف لي دينغ ودوغ أوشوغنيسي (2003).
  • معالجة الكلام واللغة من تأليف جورافسكي ومارتن (2008)
  • أساسيات التعرف على المتحدث – مصدر متعمق للحصول على أحدث التفاصيل حول النظرية والتطبيق. [ 162 ]
  • الصوت في الآلة: بناء أجهزة كمبيوتر تفهم الكلام، بقلم روبرتو بييراسيني (2012) - مقدمة
  • التعرف التلقائي على الكلام: نهج التعلم العميق من قبل باحثي مايكروسوفت د. يو ول. دينغ (2014) - المعالجة الرياضية لأساليب التعلم العميق هي [ 88 ]
  • التعلم العميق: الأساليب والتطبيقات بقلم ل. دينغ ود. يو (2014) - نظرة عامة تركز على المنهجية للتعرف على الكلام القائم على الشبكات العصبية العميقة [ 84 ]

المشاريع

كان مشروع GALE هو أكبر مشروع متعلق بالتعرف على الكلام كان لا يزال قائماً حتى عام 2007، والذي يتضمن مكونات التعرف على الكلام والترجمة.

برمجة

انظر أيضاً

القوائم

مراجع

  1. ↑ "ما هو التعرف على الكلام؟ | آي بي إم" . www.ibm.com . 28 سبتمبر 2021. تم الاطلاع عليه بتاريخ 28 أغسطس 2025 .
  2. ↑ ب. نغوين (2010). "التصنيف التلقائي لخصائص المتحدث". المؤتمر الدولي للاتصالات والإلكترونيات 2010. ص 147-152 . doi : 10.1109/ICCE.2010.5670700 . ISBN  978-1-4244-7055-6. S2CID 13482115 . 
  3. ↑ "تعريف التعرف على الصوت باللغة الإنجليزية البريطانية" . ماكميلان للنشر المحدودة. مؤرشف من الأصل في 16 سبتمبر 2011. تم الاطلاع عليه في 21 فبراير 2012 .
  4. ↑ "التعرف على الصوت، تعريف" . شركة ويب فاينانس. مؤرشف من الأصل في 3 ديسمبر 2011. تم الاطلاع عليه في 21 فبراير 2012 .
  5. ↑ "حقيبة البريد LG #114" . Linuxgazette.net. مؤرشف من الأصل بتاريخ 19 فبراير 2013. تم الاطلاع عليه بتاريخ 15 يونيو 2013 .
  6. ↑ سارانجي، سوسانتا؛ شهيد الله، محمد؛ ساها، غوتام (سبتمبر 2020). "تحسين بنك المرشحات القائم على البيانات للتحقق التلقائي من المتحدث". معالجة الإشارات الرقمية . 104 102795. arXiv : 2007.10729 . Bibcode : 2020DSP...10402795S . doi : 10.1016/j.dsp.2020.102795 . S2CID 220665533 . 
  7. ↑ رينولدز، دوغلاس؛ روز، ريتشارد (يناير 1995). "تحديد هوية المتحدث بشكل قوي ومستقل عن النص باستخدام نماذج المتحدث ذات الخليط الغاوسي" ( ملف PDF) . معاملات IEEE في معالجة الكلام والصوت . 3 (1): 72-83 . Bibcode : 1995ITSAP...3...72R . doi : 10.1109/89.365379 . ISSN 1063-6676 . OCLC 26108901. S2CID 7319345. مؤرشف (PDF) من الأصل في 8 مارس 2014. تم الاسترجاع في 21 فبراير 2014 .   
  8. ↑ "تحديد هوية المتحدث (WhisperID)" . أبحاث مايكروسوفت . مايكروسوفت. مؤرشف من الأصل في 25 فبراير 2014. تم الاطلاع عليه في 21 فبراير 2014. عندما تتحدث إلى شخص ما، فإنه لا يتعرف فقط على ما تقوله، بل يتعرف أيضًا على هويتك. ستُمكّن تقنية WhisperID أجهزة الكمبيوتر من القيام بذلك أيضًا، حيث ستتعرف على هويتك من خلال طريقة صوتك.
  9. ↑ ميلز، مارا؛ لي، شياوتشانغ (2019). "الخصائص الصوتية: من تحديد الصوت إلى التعرف على الكلام بواسطة الآلة" . التكنولوجيا والثقافة . 60 (2): 129-160 . doi : 10.1353/tech.2019.0066 . تاريخ الاسترجاع: 21 فبراير 2026 .
  10. ↑ الحربي، سدين؛ الرزقان، منى؛ الراشد، العنود؛ النوماسي، تركيا؛ المعجل، رغد؛ الحربي، ريمة؛ الحربي، سجى؛ التركي، سحر؛ الشهري، فاطمة؛ المعجل، مها (2021). "التعرف التلقائي على الكلام: مراجعة منهجية للأدبيات" . الوصول إلى IEEE . 9 : 131858– 131876. بيب كود : 2021IEEEA...9m1858A . دوى : 10.1109/ACCESS.2021.3112535 . ردمك 2169-3536 . 
  11. ↑ لي، سو؛ يو، جينتشي؛ تشانغ، شين (أغسطس 2022). "نظرة عامة وتحليل للتعرف على الكلام". المؤتمر الدولي لعام 2022 التابع لمعهد مهندسي الكهرباء والإلكترونيات حول التطورات في الهندسة الكهربائية وتطبيقات الحاسوب (AEECA) . الصفحات 391-395 . doi : 10.1109/AEECA55500.2022.9919050 . ISBN  978-1-6654-8090-1.
  12. ↑ «نعي: ستيفن بالاشيك» . صحيفة ذا ستار ليدجر . 22 يوليو 2012. مؤرشف من الأصل في 4 أبريل 2019. تم الاطلاع عليه في 9 سبتمبر 2024 .
  13. ↑ "IBM-Shoebox-front.jpg" . androidauthority.net. مؤرشف من الأصل بتاريخ 9 أغسطس 2018. تم الاطلاع عليه بتاريخ 4 أبريل 2019 .
  14. ↑ جوانغ، بي إتش؛ رابينر، لورانس آر. "التعرف التلقائي على الكلام - تاريخ موجز لتطوير التكنولوجيا" (ملف PDF) . ص 6. مؤرشف (ملف PDF) من الأصل في 17 أغسطس 2014. تم الاطلاع عليه في 17 يناير 2015 . 
  15. ↑ غونار، فانت. "النظرية الصوتية لإنتاج الكلام" (ملف PDF) . المعهد الملكي للتكنولوجيا في ستوكهولم . تم الاطلاع عليه بتاريخ 20 أكتوبر 2025 .
  16. 1 2 ميلاني بينولا (2 نوفمبر 2011). "التعرف على الكلام عبر العقود: كيف انتهى بنا المطاف مع سيري" . بي سي وورلد . مؤرشف من الأصل في 3 نوفمبر 2018. تم الاسترجاع في 22 أكتوبر 2018 .
  17. ↑ غراي، روبرت م. (2010). "تاريخ الكلام الرقمي في الوقت الحقيقي على شبكات الحزم: الجزء الثاني من الترميز التنبؤي الخطي وبروتوكول الإنترنت" (ملف PDF) . أسس واتجاهات معالجة الإشارات . 3 (4): 203-303 . doi : 10.1561/2000000036 . ISSN 1932-8346 . مؤرشف (ملف PDF) من الأصل في 9 أكتوبر 2022. تم الاطلاع عليه في 9 سبتمبر 2024 . 
  18. ↑ جون ر. بيرس (1969). "إلى أين يتجه التعرف على الكلام؟". مجلة الجمعية الصوتية الأمريكية . 46 (48): 1049-1051 . Bibcode : 1969ASAJ...46.1049P . doi : 10.1121/1.1911801 .
  19. ↑ راج، ريدي (17 يونيو 1937). "جائزة تورينج من جمعية آلات الحوسبة" . جمعية آلات الحوسبة . تم الاطلاع عليه بتاريخ 20 أكتوبر 2025 .
  20. ↑ تي كي، فينتسيوك (1 يناير 1968). "تمييز الكلام باستخدام البرمجة الديناميكية" . علم التحكم الآلي . 4 : 52-57 . doi : 10.1007/BF01074755 . تاريخ الاسترجاع: 20 أكتوبر 2025 .
  21. ↑ بينيستي، جاكوب؛ سوندى، إم إم؛ هوانغ، ييتينغ (2008). دليل سبرينغر لمعالجة الكلام . سبرينغر للعلوم ووسائل الإعلام التجارية. ISBN 978-3-540-49125-5.
  22. ↑ جون مخول. "حائز على ميدالية الجمعية الدولية لمعالجة الكلام واللغة: للريادة والمساهمات الواسعة في معالجة الكلام واللغة" . مؤرشف من الأصل في 24 يناير 2018. تم الاطلاع عليه في 23 يناير 2018 .
  23. ↑ بليشمان، رو؛ بليشمان، نيكولاس (23 يونيو 2008). "مرحباً، هال" . مجلة نيويوركر . مؤرشف من الأصل في 20 يناير 2015. تم الاطلاع عليه في 17 يناير 2015 .
  24. ↑ كلات، دينيس هـ. (1977). "مراجعة مشروع فهم الكلام التابع لـ ARPA". مجلة الجمعية الصوتية الأمريكية . 62 (6): 1345-1366 . Bibcode : 1977ASAJ...62.1345K . doi : 10.1121/1.381666 .
  25. ↑ رابينر (1984). "جمعية الصوتيات والكلام ومعالجة الإشارات: منظور تاريخي" (ملف PDF) . مؤرشف (ملف PDF) من الأصل بتاريخ 9 أغسطس 2017. تم الاطلاع عليه بتاريخ 23 يناير 2018 .
  26. ↑ "من واقع التجربة: نموذج ماركوف المخفي - موسوعة تاريخ الهندسة والتكنولوجيا" . ethw.org . ١٢ يناير ٢٠١٥. مؤرشف من الأصل في ٣ أبريل ٢٠١٨. تم الاطلاع عليه في ١ مايو ٢٠١٨ .
  27. 1 2 "مقابلة جيمس بيكر" . مؤرشفة من الأصل بتاريخ 28 أغسطس 2017. تم الاطلاع عليها بتاريخ 9 فبراير 2017 .
  28. ↑ "التعرف الرائد على الكلام" . 7 مارس 2012. مؤرشف من الأصل في 19 فبراير 2015. تم الاطلاع عليه في 18 يناير 2015 .
  29. ↑ هوانغ، شويدونغ؛ بيكر، جيمس؛ ريدي، راج (يناير 2014). "منظور تاريخي للتعرف على الكلام" . مجلة اتصالات رابطة آلات الحوسبة . 57 (1): 94-103 . doi : 10.1145/2500887 . ISSN 0001-0782 . S2CID 6175701. مؤرشف من الأصل في 8 ديسمبر 2023.  
  30. ↑ جوانغ، بي إتش؛ رابينر، لورانس آر. التعرف التلقائي على الكلام - تاريخ موجز لتطوير التكنولوجيا (ملف PDF) (تقرير). ص 10. مؤرشف (ملف PDF) من الأصل في 17 أغسطس 2014. تم الاطلاع عليه في 17 يناير 2015 . 
  31. ^ لي ، شياو تشانغ (1 يوليو 2023). ""لا يوجد ما هو أفضل من المزيد من البيانات": التعرف التلقائي على الكلام وتكوين الثقافة الخوارزمية . أوزيريس . 38 : 165-182 . doi : 10.1086/725132 . ISSN 0369-7827 . S2CID 259502346 .  
  32. ↑ "تاريخ التعرف على الكلام" . نصوص دراغون الطبية . مؤرشف من الأصل في 13 أغسطس 2015. تم الاطلاع عليه في 17 يناير 2015 .
  33. ^ بيلي، روبرتو. كانافيسيو، فرانكو؛ سياراميلا، ألبرتو؛ نبيا ، لوتشيانو (1 نوفمبر 1995). "تقنية الصوت التفاعلية في العمل: تجربة CSELT" . التواصل الكلامي . 17 (3): 263-271 . دوى : 10.1016 / 0167-6393 (95)00030-R .
  34. 1 2 شويدونغ هوانغ؛ جيمس بيكر؛ راج ريدي (يناير 2014). "منظور تاريخي للتعرف على الكلام" . اتصالات جمعية آلات الحوسبة. مؤرشف من الأصل في 20 يناير 2015. تم الاسترجاع في 20 يناير 2015 .
  35. ↑ كيفن ماكين (8 أبريل 1980). "عندما يتحدث كول، تستمع الحواسيب" . صحيفة ساراسوتا جورنال. وكالة أسوشيتد برس . تاريخ الاسترجاع: 23 نوفمبر 2015 .
  36. ↑ "ACT/Apricot - تاريخ المشمش" . actapricot.org . مؤرشف من الأصل في 21 ديسمبر 2016. تم الاطلاع عليه في 2 فبراير 2016 .
  37. ↑ ميلاني بينولا (2 نوفمبر 2011). "التعرف على الكلام عبر العقود: كيف انتهى بنا المطاف مع سيري" . بي سي وورلد . مؤرشف من الأصل في 13 يناير 2017. تم الاطلاع عليه في 28 يوليو 2017 .
  38. ↑ "سيرة راي كرزويل" . شبكة كرزويل للذكاء الاصطناعي. مؤرشف من الأصل في 5 فبراير 2014. تم الاطلاع عليه في 25 سبتمبر 2014 .
  39. ↑ جوانغ، بي إتش؛ رابينر، لورانس. التعرف التلقائي على الكلام - تاريخ موجز لتطور التكنولوجيا (ملف PDF) (تقرير). مؤرشف (ملف PDF) من الأصل في 9 أغسطس 2017. تم الاطلاع عليه في 28 يوليو 2017 .
  40. ↑ "مسؤول تنفيذي في شركة Nuance يتحدث عن iPhone 4S وSiri ومستقبل الكلام" . Tech.pinions. 10 أكتوبر 2011. مؤرشف من الأصل في 19 نوفمبر 2011. تم الاطلاع عليه في 23 نوفمبر 2011 .
  41. ↑ "Switchboard-1 الإصدار 2" . مؤرشف من الأصل بتاريخ 11 يوليو 2017. تم الاطلاع عليه بتاريخ 26 يوليو 2017 .
  42. ↑ جيسون كينكيد (13 فبراير 2011). "قوة الصوت: حوار مع رئيس قسم تقنية الكلام في جوجل" . تيك كرانش . مؤرشف من الأصل في 21 يوليو 2015. تم الاطلاع عليه في 21 يوليو 2015 .
  43. ↑ فرومكين، دان (5 مايو 2015). "الحواسيب تستمع" . ذا إنترسبت . مؤرشف من الأصل في 27 يونيو 2015. تم الاطلاع عليه في 20 يونيو 2015 .
  44. ↑ هيرفي بورلارد ونيلسون مورغان ، التعرف على الكلام الاتصالي: نهج هجين، سلسلة كلوير الدولية في الهندسة وعلوم الحاسوب؛ المجلد 247، بوسطن: كلوير للنشر الأكاديمي، 1994.
  45. 1 2 سيب هوكريتر ؛ ج. شميدهوبر (1997). " الذاكرة طويلة المدى قصيرة المدى". الحوسبة العصبية . 9 (8): 1735-1780 . doi : 10.1162/neco.1997.9.8.1735 . PMID 9377276. S2CID 1915014 .  
  46. ↑ شميدهوبر، يورغن (2015). " التعلم العميق في الشبكات العصبية: نظرة عامة". الشبكات العصبية . 61 : 85-117 . arXiv : 1404.7828 . Bibcode : 2015NN.....61...85S . doi : 10.1016/j.neunet.2014.09.003 . PMID 25462637. S2CID 11715509 .  
  47. ↑ أليكس غريفز، سانتياغو فرنانديز، فاوستينو غوميز، ويورغن شميدهوبر (2006). التصنيف الزمني الترابطي: تصنيف بيانات التسلسل غير المجزأة باستخدام الشبكات العصبية المتكررة. مؤرشف في 9 سبتمبر 2024 على موقع Wayback Machine . وقائع مؤتمر ICML'06، الصفحات 369-376.
  48. ↑ سانتياغو فرنانديز، أليكس غريفز، ويورغن شميدهوبر (2007). تطبيق الشبكات العصبية المتكررة على تحديد الكلمات المفتاحية المميزة . وقائع مؤتمر ICANN (2)، الصفحات 220-229.
  49. 1 2 هاشم ساك، أندرو سينيور، كانيشكا راو، فرانسواز بوفايس، ويوهان شالكويك (سبتمبر 2015): " بحث جوجل الصوتي: أسرع وأكثر دقة" . مؤرشف من الأصل في 9 مارس 2016. تم الاطلاع عليه في 5 أبريل 2016 ."
  50. ^ دوسوفيتسكي ، أليكسي. باير، لوكاس. كوليسنيكوف، الكسندر؛ ويسينبورن، ديرك. تشاي، شياو هوا؛ أونترثينر، توماس؛ دهقاني، مصطفى؛ مينديرر، ماتياس؛ هيجولد، جورج. جيلي، سيلفان. أوسزكوريت، جاكوب؛ هولسبي ، نيل (3 يونيو 2021). “الصورة تستحق 16 × 16 كلمة: محولات للتعرف على الصور على نطاق واسع”. أرخايف : 2010.11929 [ cs.CV ].
  51. ^ وو، هايبينغ؛ شياو بن. كوديلا، نويل؛ ليو، منغشن؛ داي، شيانغ؛ يوان، لو؛ تشانغ ، لي (29 مارس 2021). “CvT: تقديم التلافيف لمحولات الرؤية”. أرخايف : 2103.15808 [ cs.CV ].
  52. ^ فاسواني، اشيش. شازير، نعوم؛ بارمار، نيكي؛ أوسزكوريت، جاكوب؛ جونز، ليون؛ جوميز ، ايدان ن. كايزر، لوكاس؛ بولوسوخين، إيليا (2017). "الاهتمام هو كل ما تحتاجه" . التقدم في أنظمة معالجة المعلومات العصبية . 30 . شركاء كوران. مؤرشفة من الأصلي في 9 سبتمبر 2024 . تم الاسترجاع في 9 سبتمبر 2024 .
  53. ↑ ديفلين، جاكوب؛ تشانغ، مينغ-وي؛ لي، كينتون؛ توتانوفا، كريستينا (24 مايو 2019). "BERT: التدريب المسبق للمحولات ثنائية الاتجاه العميقة لفهم اللغة". arXiv : 1810.04805 [ cs.CL ].
  54. 1 2 غونغ، يوان؛ تشونغ، يو-آن؛ غلاس، جيمس (8 يوليو 2021). "AST: محول طيف الصوت". arXiv : 2104.01778 [ cs.SD ].
  55. 1 2 ريستيا، نيكولاي كاتالين؛ إيونيسكو، رادو تيودور؛ خان، فهد شهباز (20 يونيو 2022). “SepTr: محول قابل للفصل لمعالجة الطيف الصوتي”. أرخايف : 2203.09581 [ cs.CV ].
  56. 1 2 لورينز، تيمو؛ لي، تشنغيانغ؛ فينغشيدت، تيم (14 يوليو 2021). "التعلم متعدد المشفرات ودمج التدفقات للتعرف التلقائي على الكلام من البداية إلى النهاية القائم على المحولات". arXiv : 2104.00120 [ eess.AS ].
  57. ↑ "لي دينغ" . موقع لي دينغ. مؤرشف من الأصل في 9 سبتمبر 2024. تم الاطلاع عليه في 9 سبتمبر 2024 .
  58. ↑ ورشة عمل NIPS: التعلم العميق للتعرف على الكلام والتطبيقات ذات الصلة، ويستلر، كولومبيا البريطانية، كندا، ديسمبر 2009 (المنظمون: لي دينغ، جيف هينتون، د. يو).
  59. هينتون، جيفري؛ دينغ ، لي؛ يو، دونغ؛ دال، جورج؛ محمد، عبد الرحمن؛ جايتلي، نافديب؛ سينيور، أندرو؛ فان هوك، فنسنت؛ نغوين، باتريك؛ ساينث، تارا ؛ كينغسبري، برايان (2012) . " الشبكات العصبية العميقة للنمذجة الصوتية في التعرف على الكلام: وجهات النظر المشتركة لأربع مجموعات بحثية". مجلة معالجة الإشارات IEEE . 29 (6): 82-97 . Bibcode : 2012ISPM...29...82H . doi : 10.1109/MSP.2012.2205597 . S2CID 206485943 . 
  60. 1 2 دينغ، ل.؛ هينتون، ج.؛ كينغسبري، ب. (2013). "أنواع جديدة من تعلم الشبكات العصبية العميقة للتعرف على الكلام والتطبيقات ذات الصلة: نظرة عامة". المؤتمر الدولي لهندسة الصوت والكلام ومعالجة الإشارات IEEE لعام 2013: أنواع جديدة من تعلم الشبكات العصبية العميقة للتعرف على الكلام والتطبيقات ذات الصلة: نظرة عامة . ص 8599. doi : 10.1109/ICASSP.2013.6639344 . ISBN  978-1-4799-0356-6. S2CID 13953660 . 
  61. 1 2 ماركوف، جون (23 نوفمبر 2012). "العلماء يرون مستقبلاً واعداً في برامج التعلم العميق" . نيويورك تايمز . مؤرشف من الأصل في 30 نوفمبر 2012. تم الاطلاع عليه في 20 يناير 2015 .
  62. ↑ مورغان، بورلار، رينالز، كوهين، فرانكو (1993) "أنظمة الشبكات العصبية الهجينة / نماذج ماركوف المخفية للتعرف على الكلام المستمر. ICASSP/IJPRAI"
  63. ↑ تي. روبنسون (1992). "نظام التعرف على الكلمات في الوقت الحقيقي باستخدام شبكة انتشار الخطأ المتكرر" . [ وقائع ] ICASSP-92: المؤتمر الدولي لعام 1992 لمعهد مهندسي الكهرباء والإلكترونيات حول الصوتيات والكلام ومعالجة الإشارات . الصفحات 617-620، المجلد 1. doi : 10.1109/ICASSP.1992.225833 . ISBN  0-7803-0532-9. S2CID 62446313 . 
  64. ↑ وايبيل ، هانازاوا، هينتون، شيكانو، لانغ. (1989) " التعرف على الصوتيات باستخدام الشبكات العصبية ذات التأخير الزمني" مؤرشف في 25 فبراير 2021 في Wayback Machine . معاملات IEEE في الصوتيات والكلام ومعالجة الإشارات.
  65. ↑ بيكر، ج.؛ لي دينغ؛ غلاس، ج.؛ خودانبور، س.؛ تشين-هوي لي ؛ مورغان، ن.؛ أوشوغنيسي، د. (2009). "التطورات والاتجاهات في التعرف على الكلام وفهمه، الجزء 1". مجلة معالجة الإشارات IEEE . 26 (3): 75-80 . Bibcode : 2009ISPM...26...75B . doi : 10.1109/MSP.2009.932166 . hdl : 1721.1/51891 . S2CID 357467 . 
  66. ^ Sepp Hochreiter (1991)، Unter suchungen zu dynamischen neuronalen Netzen أرشفة 6 مارس 2015 في آلة Wayback .، أطروحة الدبلوم. معهد ف. المعلوماتية، الجامعة التقنية. ميونيخ. المستشار: ج. شميدهوبر.
  67. ↑ بينجيو، واي. (1991). الشبكات العصبية الاصطناعية وتطبيقها على التعرف على الكلام/التسلسل (أطروحة دكتوراه). جامعة ماكجيل.
  68. ↑ دينغ، ل.؛ حسنين، ك.؛ المصري، م. (1994). "تحليل بنية الارتباط لنموذج تنبؤي عصبي مع تطبيق على التعرف على الكلام". الشبكات العصبية . 7 (2): 331-339 . doi : 10.1016/0893-6080(94)90027-2 .
  69. ↑ محاضرة رئيسية: التطورات الحديثة في الشبكات العصبية العميقة. ICASSP، 2013 (بقلم جيف هينتون).
  70. 1 2 محاضرة رئيسية: " إنجازات وتحديات التعلم العميق: من تحليل الكلام والتعرف عليه إلى معالجة اللغة والوسائط المتعددة " مؤرشفة في 5 مارس 2021 في Wayback Machine ، Interspeech، سبتمبر 2014 (بقلم لي دينغ ).
  71. ↑ "تحسينات متزايدة في برامج التعرف على الصوت" . TechRepublic.com . 27 أغسطس 2002. مؤرشف من الأصل في 23 أكتوبر 2018. تم الاطلاع عليه في 22 أكتوبر 2018. قال مانرز إن شركة IBM عملت على تطوير تقنية التعرف على الكلام... أو في قاعة معرض تجاري صاخب .
  72. ↑ "التعرف على الصوت لتسهيل حجوزات السفر: أخبار سفر الأعمال" . BusinessTravelNews.com . 3 مارس 1997. مؤرشف من الأصل في 9 سبتمبر 2024. تم الاسترجاع في 9 سبتمبر 2024. كانت أولى تطبيقات برامج التعرف على الكلام هي الإملاء... قبل أربعة أشهر، قدمت شركة IBM "منتج إملاء مستمر" مصمم لـ... ظهر لأول مرة في المعرض التجاري للجمعية الوطنية لسفر الأعمال في عام 1994.
  73. ↑ إليس بوكر (14 مارس 1994). "التعرف على الصوت يدخل حيز الاستخدام الشائع". مجلة كمبيوتر وورلد . ص 45. قبل بضع سنوات فقط، كان التعرف على الكلام مقتصراً على ... 
  74. ↑ «باحثو مايكروسوفت يحققون إنجازًا جديدًا في مجال التعرف على الكلام التفاعلي» . مايكروسوفت . ٢١ أغسطس ٢٠١٧. مؤرشف من الأصل في ٩ سبتمبر ٢٠٢٤. تم الاطلاع عليه في ٩ سبتمبر ٢٠٢٤ .
  75. ↑ وايبيل، أ.؛ هانازاوا، ت.؛ هينتون، ج.؛ شيكانو، ك.؛ لانغ، ك.ج. (1989). "التعرف على الصوتيات باستخدام الشبكات العصبية ذات التأخير الزمني". معاملات IEEE في الصوتيات والكلام ومعالجة الإشارات . 37 (3): 328-339 . Bibcode : 1989ITASS..37..328W . doi : 10.1109/29.21701 . hdl : 10338.dmlcz/135496 . S2CID 9563026 . 
  76. ↑ بيرد، جوردان جيه؛ وانر، إليزابيث؛ إيكارت، أنيكو؛ فاريا، دييغو ر. (2020). "تحسين التعرف على الكلام الواعي صوتيًا من خلال خوارزميات تطورية متعددة الأهداف" ( ملف PDF) . أنظمة الخبراء وتطبيقاتها . 153 113402. دار النشر إلسيفير. doi : 10.1016/j.eswa.2020.113402 . ISSN 0957-4174 . S2CID 216472225. مؤرشف (ملف PDF) من الأصل في 9 سبتمبر 2024. تم الاطلاع عليه في 9 سبتمبر 2024 .  
  77. ↑ وو، ج.؛ تشان، س. (1993). "التعرف على الكلمات المنفردة باستخدام نماذج الشبكات العصبية مع معاملات الارتباط المتبادل لديناميكيات الكلام". معاملات IEEE في تحليل الأنماط والذكاء الآلي . 15 (11): 1174-1185 . Bibcode : 1993ITPAM..15.1174J . doi : 10.1109/34.244678 .
  78. ↑ SA Zahorian, AM Zimmer, and F. Meng, (2002) “ تصنيف حروف العلة للتغذية البصرية القائمة على الحاسوب لتدريب الكلام لضعاف السمع ,” في ICSLP 2002
  79. ↑ هو، هونغ بينغ؛ زاهوريان، ستيفن أ. (2010). "أساليب تقليل الأبعاد للتعرف الصوتي باستخدام نماذج ماركوف المخفية" ( ملف PDF) . المؤتمر الدولي لمعالجة الإشارات الصوتية والصوتية 2010. مؤرشف (ملف PDF) من النسخة الأصلية في 6 يوليو 2012.
  80. ↑ فرنانديز، سانتياغو؛ غريفز، أليكس؛ شميدهوبر، يورغن (2007). "تصنيف التسلسلات في المجالات المهيكلة باستخدام الشبكات العصبية المتكررة الهرمية" (ملف PDF) . وقائع المؤتمر الدولي المشترك للذكاء الاصطناعي (IJCAI ). مؤرشف (ملف PDF) من الأصل بتاريخ 15 أغسطس 2017.
  81. ↑ غريفز، أليكس؛ محمد، عبد الرحمن؛ هينتون، جيفري (2013). "التعرف على الكلام باستخدام الشبكات العصبية المتكررة العميقة". arXiv : 1303.5778 [ cs.NE ].مؤتمر ICASSP 2013.
  82. ↑Waibel, Alex (1989). "Modular Construction of Time-Delay Neural Networks for Speech Recognition"(PDF). Neural Computation. 1 (1): 39–46. doi:10.1162/neco.1989.1.1.39. S2CID 236321. Archived(PDF) from the original on 29 June 2016.
  83. ↑Maas, Andrew L.; Le, Quoc V.; O'Neil, Tyler M.; Vinyals, Oriol; Nguyen, Patrick; Ng, Andrew Y. (2012). "Recurrent Neural Networks for Noise Reduction in Robust ASR". Proceedings of Interspeech 2012.
  84. 12Deng, Li; Yu, Dong (2014). "Deep Learning: Methods and Applications"(PDF). Foundations and Trends in Signal Processing. 7 (3–4): 197–387. CiteSeerX 10.1.1.691.3679. doi:10.1561/2000000039. Archived(PDF) from the original on 22 October 2014.
  85. ↑Yu, D.; Deng, L.; Dahl, G. (2010). "Roles of Pre-Training and Fine-Tuning in Context-Dependent DBN-HMMs for Real-World Speech Recognition"(PDF). NIPS Workshop on Deep Learning and Unsupervised Feature Learning.
  86. ↑Dahl, George E.; Yu, Dong; Deng, Li; Acero, Alex (2012). "Context-Dependent Pre-Trained Deep Neural Networks for Large-Vocabulary Speech Recognition". IEEE Transactions on Audio, Speech, and Language Processing. 20 (1): 30–42. Bibcode:2012ITASL..20...30D. doi:10.1109/TASL.2011.2134090. S2CID 14862572.
  87. ↑Deng L., Li, J., Huang, J., Yao, K., Yu, D., Seide, F. et al. Recent Advances in Deep Learning for Speech Research at MicrosoftArchived 9 September 2024 at the Wayback Machine. ICASSP, 2013.
  88. 12Yu, D.; Deng, L. (2014). "Automatic Speech Recognition: A Deep Learning Approach (Publisher: Springer)".{{cite journal}}: Cite journal requires |journal= (help)
  89. ↑ دينغ، ل.؛ لي، شياو (2013). "نماذج التعلم الآلي للتعرف على الكلام: نظرة عامة" (ملف PDF) . معاملات IEEE في معالجة الصوت والكلام واللغة . 21 (5): 1060-1089 . رمز Bibcode : 2013ITASL..21.1060D . doi : 10.1109/TASL.2013.2244083 . S2CID 16585863. مؤرشف (ملف PDF) من الأصل في 9 سبتمبر 2024. تم الاسترجاع في 9 سبتمبر 2024 . 
  90. ↑ شميدهوبر، يورغن (2015). "التعلم العميق" . سكولاربيديا . 10 (11) 32832. رمز Bibcode : 2015SchpJ..1032832S . doi : 10.4249/scholarpedia.32832 .
  91. ↑ L. Deng, M. Seltzer, D. Yu, A. Acero, A. Mohammed, and G. Hinton (2010) Binary Coding of speech spectrograms Using a Deep Auto-encoder . Interspeech.
  92. ↑ توسكي، زولتان؛ غوليك، بافيل؛ شلوتر، رالف؛ ناي، هيرمان (2014). "النمذجة الصوتية باستخدام الشبكات العصبية العميقة باستخدام إشارة الوقت الخام لتقنية التعرف على الكلام منخفض التردد" ( ملف PDF) . مؤتمر Interspeech 2014. مؤرشف (ملف PDF) من النسخة الأصلية بتاريخ 21 ديسمبر 2016.
  93. ↑ جورافسكي، دانيال (2016). معالجة الكلام واللغة .
  94. ↑ غريفز، أليكس (2014). "نحو التعرف على الكلام من البداية إلى النهاية باستخدام الشبكات العصبية المتكررة" (ملف PDF) . المؤتمر الدولي للتعلم الآلي (ICML ). مؤرشف من النسخة الأصلية (ملف PDF) بتاريخ 10 يناير 2017. تم الاطلاع عليه بتاريخ 22 يوليو 2019 .
  95. ↑ أمودي، داريو (2016). "Deep Speech 2: التعرف على الكلام من البداية إلى النهاية باللغتين الإنجليزية والصينية". arXiv : 1512.02595 [ cs.CL ].
  96. ↑ "ليب نت: ما مدى سهولة قراءة الشفاه برأيك؟" . يوتيوب . 4 نوفمبر 2016. مؤرشف من الأصل في 27 أبريل 2017. تم الاطلاع عليه في 5 مايو 2017 .
  97. ↑ أسيل، يانيس؛ شيلينغفورد، بريندان؛ وايتسون، شيمون؛ دي فريتاس، ناندو (5 نوفمبر 2016). "LipNet: قراءة الشفاه على مستوى الجملة من البداية إلى النهاية". arXiv : 1611.01599 [ cs.CV ].
  98. ^ شيلينغفورد، بريندان. عسيل، يانيس؛ هوفمان، ماثيو دبليو. باين، توماس. هيوز، سيان. برابهو، أوتساف؛ لياو، هانك؛ ساك، هاشم؛ راو، كانيشكا (13 يوليو 2018). “التعرف على الكلام المرئي على نطاق واسع”. أرخايف : 1807.05162 [ cs.CV ].
  99. ↑ لي، جيسون؛ لافروخين، فيتالي؛ جينسبيرغ، بوريس؛ ليري، رايان؛ كوتشاييف، أوليكسي؛ كوهين، جوناثان م.؛ نغوين، هويين؛ غاد، رافي تيا (2019). "جاسبر: نموذج صوتي عصبي تلافيفي شامل" . إنترسبيتش 2019. ص 71-75 . arXiv : 1904.03288 . doi : 10.21437/Interspeech.2019-1819 . 
  100. ↑ كريمان، صموئيل؛ بيليايف، ستانيسلاف؛ جينسبيرغ، بوريس؛ هوانغ، جوسلين؛ كوتشاييف، أوليكسي؛ لافروخين، فيتالي؛ ليري، رايان؛ لي، جيسون؛ تشانغ، يانغ (22 أكتوبر 2019)، QuartzNet: التعرف التلقائي العميق على الكلام باستخدام الالتفافات القابلة للفصل أحادية البعد للقناة الزمنية ، arXiv : 1910.10261
  101. ^ ميديروس، إدواردو؛ كورادو، ليونيل؛ راتو، لويس. كواريزما، باولو؛ سالغويرو ، بيدرو (مايو 2023). "تحويل الكلام إلى نص للتكيف مع المجال للغة البرتغالية الأوروبية منخفضة الموارد باستخدام التعلم العميق" . إنترنت المستقبل . 15 (5): 159. دوى : 10.3390/fi15050159 . اتش دي ال : 10174/41180 . ISSN 1999-5903 . 
  102. ↑ جوشي، رافيراج؛ سينغ، أنوبام (مايو 2022). مالماسي، شيرفين؛ روخلينكو، أوليغ؛ أوفينغ، نيكولا؛ غاي، إيدو؛ أغيشتين، يوجين؛ كالومادي، سوريا (محررون). "خط أساس بسيط لتكييف المجال في أنظمة التعرف التلقائي على الكلام الشاملة باستخدام بيانات اصطناعية" . وقائع ورشة العمل الخامسة حول التجارة الإلكترونية ومعالجة اللغات الطبيعية (ECNLP 5) . دبلن، أيرلندا: رابطة اللغويات الحاسوبية: 244-249 . arXiv : 2206.13240 . doi : 10.18653/v1/2022.ecnlp-1.28 .
  103. ↑ سوخاديا، فروندا ن.؛ أوميش، س. (9 يناير 2023). "تكييف نماذج المجال المستهدف ذات الموارد المحدودة باستخدام نماذج مطابقة التعرف التلقائي على الكلام المدربة جيدًا". ورشة عمل IEEE لتكنولوجيا اللغة المنطوقة 2022 (SLT) . IEEE. ص 295-301 . arXiv : 2202.09167 . doi : 10.1109/SLT54892.2023.10023233 . ISBN  979-8-3503-9690-4.
  104. ↑ بتروفا، ماغدالينا (10 أبريل 2018). "معهد ماساتشوستس للتكنولوجيا يطور سماعة رأس تُتيح التعبير عن الصوت الداخلي" . سي إن بي سي . تاريخ الاسترجاع: 11 سبتمبر 2025 .
  105. ↑ كابور، أرناف؛ كابور، شرياس؛ مايس، باتي (2018). "AlterEgo: واجهة كلام صامتة قابلة للارتداء ومخصصة". IUI '18: وقائع المؤتمر الدولي الثالث والعشرين حول واجهات المستخدم الذكية : 43-53 .
  106. ↑ تشان، ويليام؛ جايتلي، نافديب؛ لي، كوك؛ فينيالز، أوريول (2016). "الاستماع، والإنصات، والتهجئة: شبكة عصبية للتعرف على الكلام الحواري ذي المفردات الكبيرة" (ملف PDF) . المؤتمر الدولي لمعالجة الإشارات الصوتية والصوتية (ICASSP ). مؤرشف (ملف PDF) من الأصل في 9 سبتمبر 2024. تم الاطلاع عليه في 9 سبتمبر 2024 .
  107. ↑ باهدانو، ديمتري (2016). "التعرف على الكلام ذي المفردات الكبيرة القائم على الانتباه من البداية إلى النهاية". arXiv : 1508.04395 [ cs.CL ].
  108. ↑ تشوروفسكي، جان؛ جايتلي، نافديب (8 ديسمبر 2016). "نحو فك تشفير أفضل وتكامل نموذج اللغة في نماذج التسلسل إلى التسلسل". arXiv : 1612.02695 [ cs.NE ].
  109. ^ تشان ، ويليام. تشانغ، يو؛ لو كووك؛ جايتلي ، نافديب (2016-10-10). “تحليلات التسلسل الكامن”. أرخايف : 1610.03035 [ stat.ML ].
  110. ↑ تشونغ، جون سون؛ سينيور، أندرو؛ فينيالز، أوريول؛ زيسرمان، أندرو (16 نوفمبر 2016). "قراءة الجمل من الشفاه في بيئات طبيعية". مؤتمر IEEE لعام 2017 حول رؤية الحاسوب والتعرف على الأنماط (CVPR) . الصفحات 3444-3453 . arXiv : 1611.05358 . doi : 10.1109/CVPR.2017.367 . ISBN  978-1-5386-0457-1. S2CID 1662180 . 
  111. ^ فوليانغ، ونغ؛ بونجتيب، أنجكيتتراكول؛ إليزابيث، إي. شريبيرج؛ لاري هيك. ستانلي، بيترز. جون ، إتش إل هانسن (4 نوفمبر 2016). “أنظمة الحوار المحادثة داخل السيارة” (PDF) . دوى : 10.1109/MSP.2016.2599201 . تم الاسترجاع 20 أكتوبر 2025 .
  112. ↑ الخير، ياسين؛ وآخرون (21 أكتوبر 2023)، التقييم الآلي للنطق - مراجعة ، مؤتمر الأساليب التجريبية في معالجة اللغة الطبيعية، arXiv : 2310.13974 ، S2CID 264426545  
  113. ↑ إسحاق، تاليا؛ هاردينغ، لوك (يوليو 2017). "تقييم النطق" . تعليم اللغة . 50 (3): 347-366 . doi : 10.1017/S0261444817000118 . ISSN 0261-4448 . S2CID 209353525 .  
  114. ↑ لوكينا، أناستاسيا؛ وآخرون (6 سبتمبر 2015)، "دقة النطق وفهم الكلام غير الأصلي" (PDF) ، INTERSPEECH 2015 ، دريسدن، ألمانيا: الرابطة الدولية للتواصل الكلامي ، ص 1917-1921 ، مؤرشف (PDF) من الأصل في 9 سبتمبر 2024 ، تم استرجاعه في 9 سبتمبر 2024 ، 16% فقط من التباين في فهم مستوى الكلمة يمكن تفسيره بوجود أخطاء نطق واضحة.  
  115. ↑ أوبراين، ماري غرانثام؛ وآخرون . (31 ديسمبر 2018). "توجهات مستقبل التكنولوجيا في أبحاث وتدريس النطق" . مجلة نطق اللغة الثانية . 4 (2): 182-207 . doi : 10.1075/jslp.17001.obr . hdl : 2066/199273 . ISSN 2215-1931 . S2CID 86440885. يهتم باحثو النطق في المقام الأول بتحسين وضوح وفهم متعلمي اللغة الثانية، لكنهم لم يجمعوا بعد كميات كافية من البيانات التمثيلية والموثوقة (تسجيلات صوتية مع تعليقات وأحكام مقابلة) تُشير إلى الأخطاء التي تؤثر على هذه الأبعاد الكلامية وتلك التي لا تؤثر. تُعد هذه البيانات ضرورية لتدريب خوارزميات التعرف التلقائي على الكلام لتقييم وضوح متعلمي اللغة الثانية.   
  116. ↑ إسكنازي، ماكسين (يناير 1999). "استخدام معالجة الكلام الآلية لتعليم نطق اللغات الأجنبية: بعض القضايا ونموذج أولي" . تعلم اللغة والتكنولوجيا . 2 (2): 62-76 . doi : 10.64152/10125/25043 . hdl : 10125/25043 . مؤرشف من الأصل في 9 سبتمبر 2024. تم الاطلاع عليه في 11 فبراير 2023 .
  117. ↑ ثولفسن، مايك (9 فبراير 2023). "مدرب القراءة في قارئ Immersive Reader بالإضافة إلى ميزات جديدة قادمة إلى Reading Progress في Microsoft Teams" . مدونة Techcommunity التعليمية . مايكروسوفت. مؤرشف من الأصل في 9 سبتمبر 2024. تم الاطلاع عليه في 12 فبراير 2023 .
  118. ↑ بانيرجي، أولينا (7 مارس 2023). "المدارس تستخدم تقنية الصوت لتعليم القراءة. هل تُجدي نفعًا؟" . أخبار إدسورج . مؤرشف من الأصل في 9 سبتمبر 2024. تم الاطلاع عليه في 7 مارس 2023 .
  119. ↑ هير، آدم؛ وآخرون . (19 يونيو 2018). "عالم الحبسة الكلامية: لعبة علاجية للنطق للأطفال الذين يعانون من اضطرابات في أصوات الكلام". وقائع المؤتمر السابع عشر لجمعية الحوسبة الآلية (ACM) حول تصميم التفاعل والأطفال (ملف PDF) . الصفحات 119-131 . doi : 10.1145/3202185.3202733 . ISBN   978-1-4503-5152-2S2CID 13790002. مؤرشف ( PDF) من الأصل بتاريخ 9 سبتمبر 2024. تم الاطلاع عليه بتاريخ 9 سبتمبر 2024 . 
  120. ↑ «الكمبيوتر يرفض: طبيب بيطري أيرلندي يفشل في اختبار اللغة الإنجليزية الشفهي اللازم للبقاء في أستراليا» . صحيفة الغارديان . وكالة الأنباء الأسترالية. 8 أغسطس 2017. مؤرشف من الأصل في 9 سبتمبر 2024. تم الاطلاع عليه في 12 فبراير 2023 .
  121. ↑ فيرير، تريسي (9 أغسطس 2017). "مذيعة أخبار أسترالية سابقة حاصلة على شهادة في اللغة الإنجليزية تفشل في اختبار اللغة الإنجليزية الذي يجريه روبوت" . صحيفة سيدني مورنينغ هيرالد . مؤرشف من الأصل في 9 سبتمبر 2024. تم الاطلاع عليه في 12 فبراير 2023 .
  122. ↑ مين، إد؛ واتسون، ريتشارد (9 فبراير 2022). "اختبار اللغة الإنجليزية الذي دمّر حياة الآلاف" . بي بي سي نيوز . مؤرشف من الأصل في 9 سبتمبر 2024. تم الاطلاع عليه في 12 فبراير 2023 .
  123. ↑ جويس، كاتي سبرات (24 يناير 2023). "13 كلمة يمكن نطقها بطريقتين" . ريدرز دايجست. مؤرشف من الأصل في 9 سبتمبر 2024. تم الاطلاع عليه في 23 فبراير 2023 .
  124. ↑ مثال: CMUDICT ، "قاموس النطق بجامعة كارنيجي ميلون" . www.speech.cs.cmu.edu . مؤرشف من الأصل بتاريخ 15 أغسطس 2010. تم الاطلاع عليه بتاريخ 15 فبراير 2023 .قارن بين كلمة "four" المعطاة على شكل "F AO R" مع حرف العلة AO كما في كلمة "caught"، وكلمة "row" المعطاة على شكل "R OW" مع حرف العلة OW كما في كلمة "oat".
  125. ↑ تو، زيهي؛ ما، نينغ؛ باركر، جون (2022). "مقاييس عدم اليقين غير الخاضعة للإشراف للتعرف التلقائي على الكلام من أجل التنبؤ غير التدخلي بفهم الكلام" (ملف PDF) . وقائع مؤتمر Interspeech 2022. INTERSPEECH 2022. ISCA. الصفحات 3493-3497 . doi : 10.21437/Interspeech.2022-10408 . مؤرشف (ملف PDF) من الأصل في 9 سبتمبر 2024. تم الاطلاع عليه في 17 ديسمبر 2023 . 
  126. ↑ الإطار الأوروبي المرجعي الموحد لتعلم اللغات وتدريسها وتقييمها: مجلد مصاحب مع مؤشرات جديدة . برنامج سياسة اللغة، قسم سياسة التعليم، إدارة التعليم، مجلس أوروبا . فبراير 2018. ص 136. OCLC 1090351600. مؤرشف من الأصل في 9 سبتمبر 2024. تم الاطلاع عليه في 9 سبتمبر 2024 .  
  127. ^ ماريا، جراتسيا ماجيو. دانييلا، دي بارتولو؛ روكو، سلفاتوري كالابرو؛ إيرين، سيانكاريلي؛ أنطونيو، سيراسا؛ باولو، تونين؛ فولفيا، دي جوليو؛ ستيفانو، باولوتشي؛ غابرييلا، أنطونوتشي؛ جيوفاني، موروني؛ ماركو إيوسا (29 سبتمبر 2023). "إعادة التأهيل المعرفي بمساعدة الكمبيوتر لدى مرضى الأعصاب: أحدث التطورات ووجهات النظر المستقبلية" . الحدود في علم الأعصاب . 14 1255319. دوى : 10.3389/fneur.2023.1255319 . بمك 10580980 . بميد 37854065 .  
  128. ↑ إنجلوند، كريستين (2004). التعرف على الكلام في طائرة JAS 39 غريبن: التكيف مع الكلام عند أحمال تسارع مختلفة (ملف PDF) (رسالة ماجستير). المعهد الملكي للتكنولوجيا في ستوكهولم . مؤرشف (ملف PDF) من الأصل في 2 أكتوبر 2008. 
  129. ↑ "قمرة القيادة" . يوروفايتر تايفون . مؤرشف من الأصل في 1 مارس 2017.
  130. ↑ "يوروفايتر تايفون - الطائرة المقاتلة الأكثر تطوراً في العالم" . www.eurofighter.com . مؤرشف من الأصل بتاريخ 11 مايو 2013. تم الاطلاع عليه بتاريخ 1 مايو 2018 .
  131. ↑ شوت، جون (15 أكتوبر 2007). "باحثون يُحسّنون نظام التواصل الصوتي بين الطيار والطائرة إف-35" . القوات الجوية الأمريكية. مؤرشف من الأصل في 20 أكتوبر 2007.
  132. ↑ جون، شوت (17 أكتوبر 2007). "باحثون يُحسّنون نظام التواصل الصوتي بين الطيار والطائرة إف-35" . قيادة المواد التابعة للقوات الجوية . تاريخ الاسترجاع: 20 أكتوبر 2025 .
  133. ↑ ترينتن، والترز (27 يونيو 2022). "مراقبة الحركة الجوية تُدخل المحاكاة إلى مساكن الطلاب" . متخصصو التدريب في القوات الجوية . مؤرشف من الأصل في 25 أكتوبر 2025. تم الاطلاع عليه في 20 أكتوبر 2025 .
  134. ↑ "التغلب على عوائق التواصل في الفصل الدراسي" . ماس ماتش. ١٨ مارس ٢٠١٠. مؤرشف من الأصل في ٢٥ يوليو ٢٠١٣. تم الاطلاع عليه في ١٥ يونيو ٢٠١٣ .
  135. 1 2 "التعرف على الكلام لأغراض التعلم" . المركز الوطني للابتكار التكنولوجي. 2010. مؤرشف من الأصل في 13 أبريل 2014. تم الاطلاع عليه في 26 مارس 2014 .
  136. ↑ "التعرف على الكلام للأشخاص ذوي الإعاقة" . مؤرشف من الأصل في 4 أبريل 2008.
  137. ↑ مجموعة دعم الأصدقاء الدولية
  138. ↑ غاريت، جينيفر توملين، وآخرون (2011). "استخدام برامج التعرف على الكلام لزيادة طلاقة الكتابة لدى الأفراد ذوي الإعاقات الجسدية" . مجلة تكنولوجيا التربية الخاصة . 26 (1): 25-41 . doi : 10.1177/016264341102600104 . S2CID 142730664. مؤرشف من الأصل في 9 سبتمبر 2024. تم الاطلاع عليه في 9 سبتمبر 2024 .  
  139. ↑ فورغريف، كارين إي. "التكنولوجيا المساعدة: تمكين الطلاب ذوي الإعاقة". كليرينغ هاوس 75.3 (2002): 122-126. على الإنترنت.
  140. كامبوري ، ماريا؛ سيمون، هيلين؛ بروكس، جريج (2023). "استخدام تقنية تحويل الكلام إلى نص لتمكين الكُتّاب الشباب ذوي الاحتياجات التعليمية الخاصة" . بحث في الإعاقات النمائية . 135 104466. doi : 10.1016/j.ridd.2023.104466 . ISSN 0891-4222 . مؤرشف من الأصل في 1 مايو 2023. تم الاسترجاع في 5 يونيو 2026 . 
  141. 1 2 فورغريف، كارين إي. (2002). "التكنولوجيا المساعدة: تمكين الطلاب ذوي صعوبات التعلم" . دار المقاصة . 75 (3): 122-126 . ISSN 0009-8655 . 
  142. 1 2 ألمغرين باك، غونيلا؛ نوردستروم، توماس؛ سفينسون، دور (13 سبتمبر 2024). "تحسين التعبير النصي لدى طلاب المرحلة المتوسطة: الدور التكميلي لتقنية تحويل الكلام إلى نص" . مجلة القراءة والكتابة الفصلية . 41 ( 2): 160-175 - عبر تايلور وفرانسيس أونلاين.
  143. ↑ كوشاك بابودر، ميلينا؛ بوريدوش، موجكا؛ بيزورن، كارمن (أكتوبر 2025). "التعلم المدعوم رقميًا للطلاب ذوي صعوبات التعلم المحددة في التعليم العالي" . مجلة دراسات التعليم المعاصر . 76 (3).
  144. 1 2 "التعرف على الكلام للتعلم | LD OnLine" . www.ldonline.org . تم الاطلاع عليه في 5 يونيو 2026 .
  145. ↑ تانغ، ك. و.؛ كاموا، رضا؛ سوتان، فيكتور (2004). "تقنية التعرف على الكلام لتعليم ذوي الإعاقة". مجلة أنظمة تكنولوجيا التعليم . 33 (2): 173-184 . CiteSeerX 10.1.1.631.3736 . doi : 10.2190/K6K8-78K2-59Y7-R9R2 . S2CID 143159997 .  
  146. ↑ "المشاريع: الميكروفونات الكوكبية" . الجمعية الكوكبية. مؤرشف من الأصل في 27 يناير 2012.
  147. ↑ كاريداكيس، جورج؛ كاستيلانو، جينيفرا؛ كيسوس، لويك؛ راوزايو، أماريلليس؛ مالاتيستا، لوري؛ أستيرياديس، ستيليوس؛ كاربوزيس، كوستاس (19 سبتمبر 2007). "التعرف على المشاعر متعددة الوسائط من تعابير الوجه، وإيماءات الجسم، والكلام" . الذكاء الاصطناعي والابتكارات 2007: من النظرية إلى التطبيقات . الاتحاد الدولي لمعالجة المعلومات (IFIP). المجلد 247. سبرينغر الولايات المتحدة. الصفحات 375-388 . doi : 10.1007/978-0-387-74161-1_41 . ISBN   978-0-387-74160-4.
  148. ↑ "ما هي الترجمة الفورية؟ | DO-IT" . www.washington.edu . مؤرشف من الأصل في 9 سبتمبر 2024. تم الاطلاع عليه في 11 أبريل 2021 .
  149. ↑ تشنغ، توماس فانغ؛ لي، لانتان (2017). قضايا متعلقة بالمتانة في التعرف على المتحدث . سلسلة سبرينغر الموجزة في الهندسة الكهربائية وهندسة الحاسوب. سنغافورة: سبرينغر سنغافورة. doi : 10.1007/978-981-10-3238-7 . ISBN 978-981-10-3237-0أُرشف من المصدر الأصلي في 9 سبتمبر 2024. تم الاطلاع عليه في 9 سبتمبر 2024 .
  150. ↑ سياراميلا، ألبرتو. "تقرير تقييم أداء النموذج الأولي." حزمة عمل الساعة الشمسية 8000 (1993).
  151. ↑ جيربينو، إي.؛ باجيا، ب.؛ سياراميلا، أ.؛ رولنت، س. (1993). "اختبار وتقييم نظام حوار منطوق". المؤتمر الدولي لهندسة الصوت والكلام ومعالجة الإشارات التابع لمعهد مهندسي الكهرباء والإلكترونيات . الصفحات 135-138، المجلد 2. doi : 10.1109/ICASSP.1993.319250 . ISBN  0-7803-0946-4. S2CID 57374050 . 
  152. ↑ المعهد الوطني للمعايير والتكنولوجيا. " تاريخ تقييم التعرف التلقائي على الكلام في المعهد الوطني للمعايير والتكنولوجيا، مؤرشف في 8 أكتوبر 2013 في Wayback Machine ".
  153. ↑ "8.3. التعرف على الكلام - مقدمة في معالجة الكلام" . speechprocessingbook.aalto.fi . تم الاطلاع عليه بتاريخ 24 أكتوبر 2025 .
  154. ↑ "أسماء الحروف قد تُسبب الارتباك، وأمور أخرى يجب معرفتها حول علاقات الحروف بالأصوات" . الرابطة الوطنية لتعليم الأطفال الصغار (NAEYC) . مؤرشف من الأصل في 9 سبتمبر 2024. تم الاطلاع عليه في 27 أكتوبر 2023 .
  155. ↑ "التعرف التلقائي على الكلام المعتمد على المتحدث مقابل التعرف التلقائي على الكلام المستقل عن المتحدث" . apxml.com . تم الاطلاع عليه بتاريخ 24 أكتوبر 2025 .
  156. ↑ "تدفقات الوسائط - رسائل WebSocket | Twilio" . www.twilio.com . تم الاطلاع عليه بتاريخ 24 أكتوبر 2025 .
  157. ↑ "الصوت | الخصائص والأنواع والحقائق | بريتانيكا" . www.britannica.com . ١٣ سبتمبر ٢٠٢٥. تم الاطلاع عليه بتاريخ ٢٤ أكتوبر ٢٠٢٥ .
  158. ↑ "قياس دقة تحويل الكلام إلى نص: شرح معدل خطأ الكلمات" . picovoice.ai . 2 نوفمبر 2022. تم الاطلاع عليه بتاريخ 24 أكتوبر 2025 .
  159. ↑ "استمعوا جيداً: مساعدكم الذكيّ يُصاب بالجنون من أجل NPR أيضاً" . NPR . 6 مارس 2016. مؤرشف من الأصل في 23 يوليو 2017.
  160. ↑ كلابورن، توماس (25 أغسطس 2017). "هل من الممكن التحكم في أمازون أليكسا وجوجل ناو باستخدام أوامر غير مسموعة؟ بالتأكيد" . ذا ريجستر . مؤرشف من الأصل في 2 سبتمبر 2017.
  161. ↑ "هجوم يستهدف أنظمة التعرف التلقائي على الكلام" . vice.com . 31 يناير 2018. مؤرشف من الأصل في 3 مارس 2018. تم الاطلاع عليه في 1 مايو 2018 .
  162. ↑ بيجي، همايون (2011). أساسيات التعرف على المتحدث . نيويورك: سبرينغر. ISBN 978-0-387-77591-3تمت أرشفة هذا النص من المصدر الأصلي في 31 يناير 2018.
  163. ↑ بوفي، د.، غوشال، أ.، بوليان، ج.، بورجيه، ل.، غليمبيك، أ.، غويل، ن.، ... وفيسلي، ك. (2011). مجموعة أدوات كالدي للتعرف على الكلام. في ورشة عمل IEEE لعام 2011 حول التعرف التلقائي على الكلام وفهمه (رقم CONF). جمعية معالجة الإشارات التابعة لمعهد مهندسي الكهرباء والإلكترونيات.
  164. ↑ "Common Voice by Mozilla" . voice.mozilla.org . مؤرشف من الأصل بتاريخ 27 فبراير 2020. تم الاطلاع عليه بتاريخ 9 نوفمبر 2019 .
  165. ↑ "تطبيق TensorFlow لبنية DeepSpeech من Baidu: mozilla/DeepSpeech" . 9 نوفمبر 2019. مؤرشف من الأصل في 9 سبتمبر 2024. تم الاطلاع عليه في 9 سبتمبر 2024 – عبر GitHub.
  166. ↑ "GitHub - tensorflow/docs: وثائق TensorFlow" . 9 نوفمبر 2019. مؤرشف من الأصل في 9 سبتمبر 2024. تم الاطلاع عليه في 9 سبتمبر 2024 – عبر GitHub.
  167. ↑ "كوكوي، شركة ناشئة توفر تقنية الكلام المفتوح للجميع" . جيت هاب . مؤرشف من الأصل في 9 سبتمبر 2024. تم الاطلاع عليه في 7 مارس 2022 .
  168. ↑ كوفي، دونافين (28 أبريل 2021). "الماوري يحاولون إنقاذ لغتهم من شركات التكنولوجيا العملاقة" . مجلة وايرد البريطانية . الرقم الدولي الموحد للدوريات 1357-0978 . مؤرشف من الأصل في 9 سبتمبر 2024. تم الاطلاع عليه في 16 أكتوبر 2021 . 
  169. ↑ "لماذا يجب عليك الانتقال من DeepSpeech إلى coqui.ai" . Mozilla Discourse . 7 يوليو 2021. مؤرشف من الأصل في 16 أكتوبر 2021. تم الاطلاع عليه في 16 أكتوبر 2021 .
  170. ↑ "اكتب بصوتك" . مؤرشف من الأصل في 9 سبتمبر 2024. تم الاطلاع عليه في 9 سبتمبر 2024 .
  171. ↑ "استخدام ميزة التعرف على الصوت في نظام ويندوز" . مؤرشف من الأصل بتاريخ 9 أبريل 2025.

للمزيد من القراءة

  • كول، رونالد. مارياني, جوزيف ; أوسزكوريت، هانز؛ فاريل، جيوفاني باتيستا؛ زينن، آني؛ زامبولي. زوي، فيكتور، محرران. (1997). مسح لحالة الفن في تكنولوجيا اللغة البشرية . دراسات كامبريدج في معالجة اللغات الطبيعية. المجلد. الثاني عشر – الثالث عشر. مطبعة جامعة كامبريدج. رقم ISBN  978-0-521-59277-2.
  • جونكوا، جيه.-سي.؛ هاتون، جيه.-بي. (1995). المتانة في التعرف التلقائي على الكلام: الأساسيات والتطبيقات . دار نشر كلوير الأكاديمية. ISBN 978-0-7923-9646-8.
  • كارات، كلير ماري؛ فيرغو، جون؛ ناهامو، ديفيد (2007). "تقنيات واجهة المحادثة". في: سيرز، أندرو ؛ جاكو، جولي أ. (محرران). دليل التفاعل بين الإنسان والحاسوب: الأساسيات، والتقنيات المتطورة، والتطبيقات الناشئة (العوامل البشرية وبيئة العمل) . دار لورانس إيرلبوم أسوشيتس للنشر. رقم ISBN 978-0-8058-5870-9.
  • بييراسيني، روبرتو (2012). الصوت في الآلة: بناء حواسيب تفهم الكلام . مطبعة معهد ماساتشوستس للتكنولوجيا. ISBN 978-0-262-01685-8.
  • بيراني، جيانكارلو، محرر. (2013). خوارزميات وهياكل متقدمة لفهم الكلام . سبرينغر ساينس آند بيزنس ميديا. ISBN 978-3-642-84341-9.
  • ساينر، بيت؛ هوست، لود (ديسمبر 2013). "SpeeG2: واجهة تعتمد على الكلام والإيماءات لإدخال النصوص بكفاءة دون الحاجة إلى وحدة تحكم" . وقائع مؤتمر ICMI 2013. المؤتمر الدولي الخامس عشر للتفاعل متعدد الوسائط. سيدني، أستراليا.
  • وولفيل، ماتياس؛ ماكدونو، جون (26 مايو 2009). التعرف على الكلام عن بعد . وايلي. ISBN 978-0-470-51704-8.