مرور و بررسی مدلهای تبدیل صوت به متن مناسب برای زبان فارسی
مرور و بررسی مدلهای تبدیل صوت به متن مناسب برای زبان فارسی
سیده آیدا تنها1 مهدی یعقوبی2
1) دانشوی کارشناسی مهندسی کامپیوتر، دانشگاه گلستان، واحد گرگان، ایران -
2) استادیار گروه مهندسی کامپیوتر، دانشگاه گلستان، واحد گرگان، ایران -
کد IOI مقاله
:
AAHD-ACZAHH
محل انتشار :
کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
تبدیل خودکار گفتار به متن یا Automatic Speech Recognition (ASR) یکی از فناوریهای مهم در حوزه هوش مصنوعی، پردازش سیگنال گفتاری و پردازش زبان طبیعی است که با هدف تبدیل سیگنال صوتی انسان به متن قابل پردازش توسط رایانه توسعه یافته است. پیشرفت یادگیری عمیق و ظهور معماریهای مبتنی بر Transformer موجب افزایش چشمگیر توانایی سامانههای تشخیص گفتار در زبانهای مختلف شده است. در میان سامانههای متنباز، Whisper و VOSK دو رویکرد متفاوت را ارائه میکنند؛ Whisper بر پایه معماری Encoder-Decoder Transformer و آموزش در مقیاس بسیار بزرگ توسعه یافته، در حالی که VOSK بر زیرساخت Kaldi استوار بوده و بیشتر بر اجرای محلی، سبک و بلادرنگ تمرکز دارد. در این مقاله، عملکرد این دو سامانه برای زبان فارسی با تکیه بر نتایج منتشرشده در benchmark جامع PSRB بررسی و مقایسه شده است. نتایج نشان میدهد که Whisper در معیار WER با مقدار 41.49 درصد نسبت به VOSK با مقدار 44.62 درصد عملکرد بهتری دارد. همچنین Whisper در معیارهای CER و SW-WER نیز خطای کمتری نشان میدهد. با وجود این، VOSK به دلیل نیاز محاسباتی کمتر، قابلیت اجرای آفلاین و امکان استفاده روی تجهیزات محدود، برای برخی کاربردهای عملی همچنان گزینهای مناسب محسوب میشود. در نهایت، انتخاب میان این دو سامانه باید علاوه بر دقت، بر اساس محدودیت سختافزاری، نیاز به پردازش بلادرنگ، قابلیت سفارشیسازی و نوع کاربرد انجام شود.
کلمات کلیدی : تشخیص خودکار گفتار تبدیل گفتار به متن زبان فارسی whisper vosk kaldi wer cer