110
NUTQNI TANIB OLISHNI OCHIQ MANBALI DASTURLARI TAHLILI
t.f.d., prof. Mamatov Narzullo Solidjonovich,
Jalelov Quwanish Moyatdinovich
“Toshkent irrigatsiya va qishloq xo’jaligini mexanizatsiyalash muhandislari”
Milliy tadqiqot universiteti
Annotatsiya:
Mazkur maqolada ochiq manbali nutqni tanib olish
texnologiyalari tahlili keltirilib, unda ularning foydalanish imkoniyatlari baholangan
va ushbu tadqiqot doirasidagi tahlillar nutqni aniqlash tizimlarining kelajagini
shakllantirishda ochiq manbali tizimlar ta'siri yoritilgan.
Kalit soʻzlar:
TTS texnologiyasi, nutq sintezi, tizim, model, dasturlash tili,
matn.
Matndan nutqqa yoki nutq sintezi - bu so‘zlarni taniydigan va inson nutqini
shakllantiradigan matndan sun’iy ravishda yaratilgan inson sifat tovushli nutqdir.
Dastlabki Text-to-Speech tizimi 1968 yilda Yaponiyadagi Elektrotexnika
laboratoriyasida Noriko Umeda va boshqalar tomonidan dunyoga taqdim etilgan. 1961
yilda fizik Jon Larri Kelli va uning hamkasbi Lui Gerstman IBM 704 kompyuteridan
nutqni sintezlash uchun foydalanishdi, bu Bell Laboratoriyalari tarixidagi eng mashhur
voqeadir.
TTS ilovalari yoki Text-to-Speech ilovalari yozma matnni og‘zaki so‘zlarga
aylantirish uchun nutq sintezidan foydalanadigan dasturiy ilovalardir.
TTS ilovalari
ko‘plab afzalliklarga ega [1]. Masalan, TTS ilovalari avtomobil haydash, mashq qilish
yoki vizual e’tiborni talab qiladigan boshqa harakatlar bilan shug‘ullanayotganda yoki
maqolalar, kitoblar va boshqa yozma materiallarni o‘qishda foydalanish mumkin.
Bundan tashqari, TTS ilovalari yangi tilni o‘rganayotgan yoki talaffuzini yaxshilashga
harakat qilayotganlar uchun juda foydali hisoblanadi. Ular matnni bir necha tilda o‘qish
uchun moslashtirilishi mumkin, bu esa til o‘rganuvchilarga nutq qobiliyatlarini mashq
qilishni osonlashtiradi. Shuningdek, foydalanuvchilar TTS ilovasining tezligini,
ohangini va talaffuzini shaxsiy ehtiyojlariga moslashtirishi mumkin. TTS ilovalari
asosan inson va mashina o'rtasidagi aloqani simulyatsiya qilishda masalan, dasturlarni
ovozli boshqarishda foydalaniladi. Operatsion tizimlarning katta qismi xususiy
mahsulotlardir, ya'ni foydalanuvchi yoki potentsial ishlab chiquvchi ularning manba
kodiga kirish huquqiga ega emas. Bu nutqni tanib olish tizimlarini ochiq kodli
loyihalarga integratsiya qilish qobiliyatiga salbiy ta'sir ko’rsatadi. Ochiq manbali
nutqni tanib olish tizimlarini ijobiy va salbiy tomonlarini tavsiflovchi
markazlashtirilgan ma'lumotlar manbai ham mavjud emas. Natijada, muammoni hal
qilishda nutqni optimal tanib olish tizimini tanlash muammosi yuzaga keladi [2].
Tadqiqotning maqsadi tijorat yoki tadqiqot faoliyati uchun tizimni tanlashda
xarajatlarni kamaytirish uchun ochiq manbali nutqni tanib olish tizimlaridan
foydalanish bo'yicha hamda matnni nutqga o’tkazishda tavsiyalarni ishlab chiqishdan
iborat.
111
CMU Sphinx, HTK, iAtros, Julius, Kaldi va RWTH ASR tanlangan tizimlar
tanib olishning aniqligi va tezligi, foydalanish qulayligi va ichki tuzilishi kabi
ko'rsatkichlar bo'yicha taqqoslandi.
CMU Sphinx.
Ushbu tizimning kuchli tomoni shundaki, bepul kirishda ushbu
tillarning til va akustik modellari mavjud. Qo'llab-quvvatlanadigan tillar orasida standart
ingliz tilidan tashqari, rus, qozoq va boshqa bir qator tillar ham mavjud. CMU Sphinx
BSD litsenziyasi ostida tarqatiladi, bu uning tijorat loyihalariga integratsiyalashuviga
imkon beradi. Ushbu tizim tijorat loyihalarida qo'llanilishi mumkin, chunki u Kaldi-ning
ko'pgina afzalliklariga ega, garchi u tanib olish aniqligini biroz yomonroq ta'minlasa
ham, shuningdek, ushbu tizim asosida uchinchi tomon ilovalarini yaratish uchun
ishlatilishi mumkin bo'lgan API-ni taqdim etadi.
HTK.
Bu tizim faqat ingliz tilini qo'llab-quvvatlaydi. Tizimning manba kodini
tarqatish imkonini beruvchi HTK litsenziyasi ostida tarqatiladi.
iAtros.
Tizmidan foydalanish qulayligi nuqtai nazaridan, iAtros tadqiqot
davomida tekshirilgan barcha tizimlardan past. Ushbu tizim standart tillar ingliz va ispan
tillarida qo'llab-quvvatlanadi. Ushbu tizimning kamchiligi faqat Linux oilasining
operatsion tizimlarida ishlaydi. GPLv3 litsenziyasi ostida tarqatiladi, bu esa ushbu
tizimni tijorat loyihalariga manba kodini oshkor qilmasdan integratsiya qilish imkonini
bermaydi, bu o’z navbatida uni tijorat maqsadlarida foydalanish uchun yaroqsiz qiladi.
Julius
.
Bu tizim C tilida amalga oshirilgan. Tizim konsol interfeysi va uchinchi
tomon ilovalariga integratsiya qilish uchun API taqdim etadi. Julius ingliz va yapon
tillarini qo'llab-quvvatlaydi. BSD-ga o'xshash litsenziya ostida tarqatiladi. Julius tizimi
ta'lim faoliyati uchun ham tavsiya etilishi mumkin, chunki u HTK ning barcha
afzalliklariga ega, shuningdek, yapon tili kabi ekzotik tilni tanib olish imkoniyatini
beradi.
Kaldi.
Bu tizim akustik signal xususiyatlarining hajmini kamaytirish va shunga
mos ravishda tizim ish faoliyatini oshirish uchun ko'plab algoritmlardan foydalanishga
imkon beradi. Kaldi C++ dasturlash tilida yozilgan bo'lib, tizim tezligiga ijobiy ta'sir
ko'rsatadi va modulli tuzilishga ega bo'lib, tizimni qayta tiklash, yangi funksiyalarni
qo'shish va mavjud xatolarni tuzatishni osonlashtiradi. Kaldi faqat konsol interfeysini
taqdim etadi, bu esa uchinchi tomon ilovalariga integratsiyani murakkablashtiradi.
Ushbu tizim faqat ingliz tilini qo'llab-quvvatlaydi, butunlay bepul Apache litsenziyasi
ostida tarqatiladi, ya'ni uning kodini oshkor qilmasdan tijorat mahsulotiga birlashtirilishi
mumkin.
RWTH ASR.
Ushbu tizim, iAtros kabi, akustik modellashtirish bosqichida Gauss
aralashmasi modellaridan foydalanishi mumkin. O'ziga xos xususiyati - kirish
signalining akustik xususiyatlarini olishda tovush xususiyatidan foydalanish qobiliyati.
Bu tizim C++ tilida amalga oshirilgan va modulli arxitekturaga ega. RWTH ASR
litsenziyasi ostida tarqatiladi, unga ko'ra tizim kodi faqat notijorat maqsadlarda
foydalanish uchun taqdim etiladi, bu esa ushbu tizimni tijorat loyihalariga integratsiya
qilish uchun yaroqsiz qiladi. Ushbu tizim tanib olishning aniqligi muhim bo'lgan, ammo
vaqt muhim bo'lmagan muammolarni hal qilish uchun foydalanilishi mumkin. Shuni
ham ta'kidlash joizki, litsenziya bilan belgilangan cheklovlar tufayli u har qanday tijorat
faoliyati uchun mutlaqo yaroqsiz [4].
112
Aniqlik nuqtai nazaridan, tizimlar eng keng tarqalgan
ko'rsatkichlar [3] yordamida
taqqoslandi: so'zni aniqlash tezligi (WRR), so'z xatosi darajasi (W
ER), ular quyidagi
formulalar yordamida hisoblanadi:
WER=(S+I+D)/T, WRR=1-WER
bu erda S - so'zlarni almashtirish operatsiyalari soni, I - so'zlarni kiritish bo'yicha
operatsiyalar soni, D - asl iborani olish uchun tan olingan iboradan so'zlarni olib tashlash
bo'yicha operatsiyalar soni va T - asl nusxadagi so'zlar soni ibora va foiz sifatida
o'lchanadi.
Tanib olish tezligi nuqtai nazaridan, taqqoslash Real Time Factor yordamida
amalga oshirildi - tanib olish vaqtining tan olingan signalning davomiyligiga nisbati
ko'rsatkichi, shuningdek Speed Factor (SF) deb nomlanadi. Ushbu ko'rsatkichni
quyidagi formula yordamida hisoblash mumkin:
SF=T
sav
/T
bu erda T
sav
- signalni aniqlash vaqti, T - uning davomiyligi va real vaqtning
fraktsiyalarida o'lchanadi.
Tahlil natijalari quyidagi jadvalda keltirilgan.
1-jadval
TTS tizimlari tahlili
Tizim
WER%
WRR
SF
CMU Sphinx
(pocketsphinx/sphinx4)
21,4/22,7
78,6/77,3
0,5/1
HTK
19,8
80,2
1,4
iAtros
16,1
83,9
2,1
Julius
23,1
76,9
1,3
Kaldi
6,5
93,5
0,6
RWTH ASR
15,5
84,5
3,8
Mazkur maqolada TTS tizimlarini tahlil qilish natijasida quyidagi natijalar
xulosa sifatida qabul qilindi:
TTS ilovalari juda ko‘p afzalliklarni taqdim etadi, jumladan, matnni bir nechta
tillarda o‘qish qobiliyati va og‘zaki matnning tezligi, ohangi va talaffuzini sozlash
qobiliyati;
TTS ilovalari koʻrishda nuqsoni yoki oʻqishda qiynaladigan odamlar, til
oʻrganuvchilar uchun foydalidir.
Foydalanilgan adabiyotlar roʻyxati:
1.
Jha M. Improved unsupervised speech recognition system using MLLR
speaker adaptation and confidence measurement / M. Jha et al. // V Jornadas en
Tecnologıas del Habla (VJTH’2008) – 2008. – P. 255-258.
2.
Sundermeyer M. The rwth 2010 quaero asr evaluation system for english,
french, and german / M. Sundermeyer et al. // Proceedings of International Conference
on Acoustics, Speech and Signal Processing (ICASSP) – 2011. – P. 2212-2215.
3.
Гусев М.Н. Система распознавания речи: основные модели и алгоритмы
/ М.Н. Гусев, В.М. Дегтярев. – СПб.: Знак, 2013. – 128 с.
113
4.
Карпов А.А. Методология оценивания работы систем автоматического
распознавания речи / А.А. Карпов, И.С. Кипяткова // Известия высших учебных
заведений. Приборостроение. – 2012. – Т. 55. – №. 11. – С. 38-43.
TASVIR SHOVQINLARI TAHLILI
t.f.d., prof. Mamatov Narzullo Solidjonovich
“Toshkent irrigatsiya va qishloq xo’jaligini mexanizatsiyalash muhandislari”
Milliy tadqiqot universiteti
Jalelova Malika Moyatdin qizi
Berdaq nomidagi Qoraqalpoq davlat universiteti
Annotatsiya:
Hozirgi vaqtda turli xil tasvirga olish qurilmalaridan olingan
raqamli tasvirlar soni keskin oshib bormoqda. Ayrim hollarda ushbu tasvirlar tasvirga
olish, qayta ishlash, siqish, saqlash, uzatish va ko’paytirish jarayonida turli
shovqinlardan ta’sirlanib, sifatsiz holatga kelishi mumkin. Shovqin tasvirdagi
ma’lumotlarning sifatini buzadigan tasodifiy o’zgarishlarni ifodalaydi va tasvirdan
muhim ma’lumotlarni olishga to’sqinlik qiladi. Bu o’z navbatida, tasvirda uchraydigan
asosiy shovqin turlarini o’rganish tasvirlash sohasida dolzarb ekanligini ko’rsatadi.
Mazkur tadqiqot ishi Gauss, tuz va qalampir, uniform, Puasson, spekl, rayleigh va
risian kabi shovqin turlarini o’rganishga bag’ishlangan.
Kalit soʻzlar:
tasvir, shovqin, Gauss, tuz va qalampir, Puasson, spekl, uniform,
piksel, ehtimollik zichligi.
Tasvirlash sohasida raqamli tasvirlarning yuqori sifatli vizual ko’rinishga ega
bo’lishi o’ta muhim. Biroq, raqamli kameralar, skanerlar yoki boshqa tasvirga olish
uskunalari tomonidan olingan tasvirlar har doim ham yuqori sifatga ega bo’lmasligi
mumkin. Tasvir sifatini sezilarli darajada pasaytiruvchi keng tarqalgan muammolardan
biri bu shovqindir.
Shovqin- tasvir tafsilotlarini yashiradigan piksel qiymatlarining istalmagan va
tasodifiy o’zgarishlarini ifodalaydi. Ushbu o’zgarishlar uskunadagi sensor cheklovlari,
atrof-muhit sharoitlari yoki tasvirlash qurilmasining elektron komponentlari kabi
ko’plab omillar sabab yuzaga kelishi mumkin. Shuning uchun mazkur tadqiqot ishida
tasvirda uchraydigan asosiy shovqin turlarini o’rganish maqsad qilingan.
Shovqin turlari
Gauss shovqini deyarli barcha turdagi raqamli tasvirlarda uchraydigan va butun
tasvir bo’ylab taqsimlanadigan shovqin turi hisoblanadi:
2
2
(
)
2
1
( )
2
z
G
p
z
e
−
−
=
bu yerda
( )
G
p z
−
ma’lum bir shovqin qiymati
z
paydo bo’lish ehtimolini tavsiflaydi,
z
−
intensivlik sifatida berilgan,
z
−
ni o’rtacha qiymati va
−
standart og’ish.
