Rozpoznawanie ludzkiej mowy przez komputer może okazać się przydatne podczas obsługi nowoczesnych urządzeń, zdalnego sterowania pecetami czy redagowania korespondencji. Dla osób z ciężkimi upośledzeniami narządów ruchu jest to często jedyna szansa na w miarę “normalne” życie. Zaś dla niewidomych użyteczne narzędzie komunikacji ze światem zewnętrznym.
Porozumiewanie się z komputerem
Naturalny dla człowieka sposób porozumiewania się z komputerem wspomagają zarówno aplikacje (np. Microsoft Sound System) wyposażone w małe słowniki, jak i systemy pokroju Dragon Dictate. Wbudowany mechanizm rozpoznawania mowy posiada również nowa wersja systemu operacyjnego OS/2 Warp 4 “Merlin”. Nietypowe dla IBM-a jest to, że wspomniany moduł został zaprojektowany w sposób uniwersalny i jest dostępny na rynku jako VoiceType 3.0 for Windows 95. Zalecana przez producenta minimalna konfiguracja umożliwiająca pracę z tym programem to komputer Pentium z 16 MB pamięci roboczej i kartą dźwiękową. Używany do rejestracji mowy mikrofon – podobnie jak w przypadku innych produktów – powinien charakteryzować się dobrymi parametrami. gdyż rezultat procesu dyktowania jest ściśle uzależniony od jakości wprowadzanego materiału dźwiękowego.
Rozpoznawanie pojedynczych słów
Znakomitym przykładem odizolowanej procedury rozpoznawania pojedynczych słów (głównie rozkazów) są działające w niektórych firmach centrale poczty głosowej składające się z modułów skrzynki głosowej i rozpoznawania mowy. Reagują one na polecenia przekazane słownie i łączą klientów z odpowiednimi jednostkami bez pośrednictwa klasycznej centrali telefonicznej. Ich techniczno-informacyjna złożoność jest stosunkowo niewielka, a wykorzystywane przez nie słowniki obejmują zaledwie kilkadziesiąt wyrazów.
| Programy do rozpoznawania mowy | |
|
Bardziej skomplikowanymi mechanizmami rozpoznawania mowy dysponują systemy służące do dyktowania. Jednak i one osiągają zadowalające wyniki tylko w przypadku oddzielnie wypowiadanych słów. Aby wyodrębnić pojedyncze wyrazy z ciągłego potoku mowy, system taki musiałby dysponować rozległą wiedzą na temat kontekstu każdej grupy wyrazowej. Program VoiceType wymaga przy tym od użytkowników robienia co najmniej 100 milisekundowych przerw między wypowiadanymi kolejno słowami (co może być trochę uciążliwe).
Problem ze słowami złożonymi
Źródłem poważnego problemu ujawniającego się podczas rozpoznawania mowy są wyrazy złożone. Mnóstwo przykładów tego typu konstrukcji egzystuje w języku niemieckim. Jednym z nich jest Untersuchungsleiter. Znajomość poszczególnych elementów tego wyrazu (Untersuchung — badanie lub śledztwo, Leiter — przewodnik, kierownik itp.) nie pozwala jeszcze algorytmowi na rozszyfrowanie całości. Dopiero dzięki złożonej analizie kontekstowej możliwe jest ustalenie, że w tym przypadku chodzi o urzędnika policji, nie zaś o nowy typ stołu operacyjnego. Podobne kłopoty mogą sprawiać chociażby polskie drobnoustroje. Znaczenie słowa drobny nie pozostawia wątpliwości, jednak ustrój to już coś bardzo odległego od “mikroorganizmu roślinnego lub zwierzęcego widocznego tylko pod mikroskopem”.
