مرور و بررسی مدلهای تبدیل صوت به متن مناسب برای زبان فارسی

سیده آیدا تنها1 مهدی یعقوبی2

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


زبان مقاله : فارسی
محور مقاله : محورهای نظری هوش مصنوعی
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری
آدرس وب سایت کنفرانس : itnaf.ir
کد IOI مقاله : AAHD-ACZAHH
لینک مستقیم مقاله : https://isnac.ir/AAHD-ACZAHH

سایر مقالات محل انتشار
  1. A Study on Design Understandability and Interaction of the therapy-specific Robots
  2. طراحی و مهندسی یک حسگر زیستی نوری چند مدی پلاسمونیک مبتنی بر تشدیدگرهای حلقه شکاف برای سنجش جامع آنتی‌ژن
  3. طراحی یک اسیلاتورکنترل شونده با ولتاژ با نویز فاز بسیار پایین و بازه وسیع فرکانسی با تکنولوژی نانولوله کربنی برای کاربردهای PLL
  4. یک چارچوب هوشمند آگاه به زمینه برای ارتباطات V2V و V2Iدر شبکه‌های خودرویی شهرهای هوشمند با استفاده از داده‌های ترافیکی شبکه سلولی
  5. An Ensemble Non-Dominated Feature Selection Method: A Case Study on Prostate Cancer
  6. تشخیص زودهنگام پوسیدگی دندان با استفاده از شبکه‌های عصبی
  7. Simulation and Performance Comparison of Torque Tube and LVDT Sensors in Displacer-Based Level Measurement Systems
  8. ارتقا سامانه ناوبری پهپاد مهاجر ۶ با استفاده از فناوری
  9. کاربرد نانوذرات مگنتیت (Fe3O4) در پزشکی (از سنتز تا عملکرد)
  10. Simulation and Modeling of Floating-Gate Non-Volatile Memory Performance: Focus on Oxide Thickness, Programming Speed, and Charge Transport Mechanisms
  11. Fraud Analytics with Big Data: A Literature Review on Machine Learning Algorithms in Bankruptcy Prediction and Financial Fraud Detection
  12. تحلیل آینده‌پژوهانه هم‌گرایی هوش مصنوعی، فناوری نانو و فناوری اطلاعات در مسیر تحول صنعتی آینده
  13. نقش تحول دیجیتال در خدمات کتابخانه‌های عمومی برای توان‌یابان جسمی و ذهنی
  14. Prediction and Optimization of Oxygen Production under Microgravity Conditions Using Machine Learning
  15. Simulation and Performance Comparison of Ultrasonic, Non-Contact Radar, and Guided Wave Radar Sensors in Level Measurement Systems