В рамках проведення конференції для розробників Yet Another Conference компанія «Яндекс» представила нові технології голосового взаємодії людей з електронними пристроями.

Відзначається, що у «Яндекса» є власна система розпізнавання мови - Yandex SpeechKit. Вона використовується як в сервісах Яндекса - наприклад, Навігаторі, - так і в продуктах сторонніх розробників. Ця система була доповнена трьома новими технологіями, які покликані зробити людину з комп'ютером більш повноцінним. Тепер ця система вміє включатися по голосовій команді, розуміє сенс слів, а також не тільки слухає користувача, але і відповідає йому - за допомогою технології синтезу мови.

Технологія голосової активації призначена для перекладу комп'ютера в режим розпізнавання за допомогою певного сигналу. В Yandex SpeechKit таким сигналом виступає команда голосової активації. Причому, командою може служити будь-яке слово або фраза - все залежить від фантазії розробника. Голосова активація в Yandex SpeechKit, по суті, являє собою систему розпізнавання мови в мініатюрі. Система запускається прямо на пристрої і не вимагає доступу в інтернет. Вона аналізує весь вхідний звуковий потік на предмет наявності мови, і, якщо мова виявлена, починає шукати в ній кодову фразу. Такий підхід дозволяє заощадити заряд батареї в смартфоні або планшеті. Коли користувач вимовляє команду, пристрій переходить в режим розпізнавання - так як розуміє: все, що буде сказано надалі, призначене йому. Натискати кнопки не потрібно, достатньо сказати кодову фразу.

В Yandex SpeechKit також додана технологію виділення в розпізнаному тексті смислових об'єктів. Такими об'єктами можуть бути дата і час, імена і прізвища або адреси. Технологія дозволяє управляти комп'ютером або смартфоном простими фразами, які не потрібно запам'ятовувати спеціально. Наприклад, «Постав будильник на сьомій ранку» або «Поїхали на вулицю Льва Толстого, будинок 16». Фраза може звучати по-різному - система зрозуміє, що «Набери номер Івана Івановича» і «Подзвони Івану Івановичу» - це одне й те саме. При цьому Yandex SpeechKit вміє аналізувати контекст і тому усвідомить, що у фразі «Подзвони Володимиру» мається на увазі людина, а у фразі «Поїхали до Володимира» - місто.

Ще одним нововведенням в Yandex SpeechKit є технологія синтезу мови - вона дозволяє комп'ютеру промовляти текст вголос. Синтез мови - це завдання, зворотна розпізнаванню мови. У випадку з розпізнаванням система отримує звук, який треба перетворити в текст, а у випадку з синтезом - текст, який треба озвучити. В Yandex SpeechKit для синтезу мови використовується система на базі прихованих марковських моделей. Акустична модель приймає на вхід послідовність фонем і видає на виході відповідний їм звук. Це дозволяє домогтися більш плавних інтонацій, гнучко управляти швидкістю мови і навіть надавати їй ті чи інші емоції.

Всі зазначені нові технології вже входять в бібліотеку SpeechKit Mobile SDK і хмарний сервіс SpeechKit Cloud і доступні стороннім розробникам.

Щоб показати нові можливості SpeechKit, було випущено демонстраційне додаток «Яндекс.Діктовка». Воно призначене для набору тексту голосом. Щоб почати набір, досить вимовити фразу «Яндекс, записуй». Додаток почне слухати користувача і перетворювати його мова в текст в режимі реального часу. При цьому підтримується можливість ввести знаки пунктуації та редагування тексту за допомогою голосових команд. Додаток «Яндекс.Діктовка» є для установки на мобільні пристрої з ОС Android з магазину Яндекс.Store .

джерело: Яндекс