Automatic Speech Recognition: The Development of the SPHINX System

تشخیص گفتار سابقه طولانی دارد که یکی از مشکلات دشوار در هوش مصنوعی و علوم کامپیوتر است. زمانی که فرد از تکالیف حل مسئله مانند پازل و شطرنج به کارهای ادراکی مانند گفتار و بینایی می‌رود، ویژگی‌های مسئله به‌طور چشمگیری تغییر می‌کند: دانش ضعیف به دانش غنی. نرخ داده کم به نرخ داده بالا; زمان پاسخ آهسته (دقیقه تا ساعت) تا زمان پاسخ آنی. این ویژگی ها در کنار هم پیچیدگی محاسباتی مسئله را با چندین مرتبه بزرگی افزایش می دهند. علاوه بر این، گفتار یک حوزه کاری چالش برانگیز را فراهم می کند که بسیاری از الزامات رفتار هوشمندانه را در بر می گیرد: کار در زمان واقعی. بهره برداری از حجم وسیعی از دانش، تحمل ورودی ناشناخته اشتباه و غیرمنتظره؛ از نمادها و انتزاعات استفاده کنید. به زبان طبیعی ارتباط برقرار کنید و از محیط بیاموزید. ورودی صوتی به رایانه دارای مزایای متعددی است. این یک رسانه ورودی طبیعی، سریع، بدون دست، بدون چشم و بدون موقعیت مکانی را فراهم می کند. با این حال، بسیاری از مشکلات هنوز حل نشده وجود دارد که مانع استفاده معمول از گفتار به عنوان یک دستگاه ورودی توسط افراد غیر متخصص می شود. اینها شامل هزینه، پاسخ در زمان واقعی، استقلال گوینده، استحکام در برابر تغییراتی مانند نویز، میکروفون، سرعت گفتار و بلندی صدا، و توانایی مدیریت گفتار غیر دستوری است. راه حل های رضایت بخشی برای هر یک از این مشکلات در دهه آینده قابل انتظار است. تشخیص گفتار پیوسته خود به خود نامحدود در حال حاضر غیرقابل حل به نظر می رسد. با این حال، با افزودن محدودیت‌های ساده، مانند گفتگوی شفاف‌سازی برای رفع ابهام، ما معتقدیم که می‌توان سیستم‌هایی را توسعه داد که قادر به پذیرش واژگان بسیار وسیع واژگان مستمر هستند.

Speech Recognition has a long history of being one of the difficult problems in Artificial Intelligence and Computer Science. As one goes from problem solving tasks such as puzzles and chess to perceptual tasks such as speech and vision, the problem characteristics change dramatically: knowledge poor to knowledge rich; low data rates to high data rates; slow response time (minutes to hours) to instantaneous response time. These characteristics taken together increase the computational complexity of the problem by several orders of magnitude. Further, speech provides a challenging task domain which embodies many of the requirements of intelligent behavior: operate in real time; exploit vast amounts of knowledge, tolerate errorful, unexpected unknown input; use symbols and abstractions; communicate in natural language and learn from the environment. Voice input to computers offers a number of advantages. It provides a natural, fast, hands free, eyes free, location free input medium. However, there are many as yet unsolved problems that prevent routine use of speech as an input device by non-experts. These include cost, real time response, speaker independence, robustness to variations such as noise, microphone, speech rate and loudness, and the ability to handle non-grammatical speech. Satisfactory solutions to each of these problems can be expected within the next decade. Recognition of unrestricted spontaneous continuous speech appears unsolvable at present. However, by the addition of simple constraints, such as clarification dialog to resolve ambiguity, we believe it will be possible to develop systems capable of accepting very large vocabulary continuous speechdictation.