تبدیل گفتار فارسی به متن: چه چیزی کار می‌کند و به چه باید توجه کرد

تبدیل گفتار به متن یا تشخیص خودکار گفتار (ASR)، فایل صوتی گفتار را به متن نوشتاری تبدیل می‌کند. سامانه‌های امروزی بر پایه یادگیری عمیق و با حجم بسیار زیادی از گفتار ضبط‌شده آموزش دیده‌اند و چند مورد از آن‌ها فارسی را آن‌قدر خوب پیاده می‌کنند که در کار به کار بیایند؛ مانند صورت‌جلسه، مصاحبه، تماس‌های مشتریان، کلاس‌ها و زیرنویس. اما «آن‌قدر خوب» تا حد زیادی به کیفیت ضبط و کاربرد متن بستگی دارد. در این مقاله توضیح می‌دهیم پیاده‌سازی گفتار فارسی کجا خطا می‌کند و چگونه می‌توان به متنی قابل استفاده رسید.

چرا گفتار فارسی چالش ویژه‌ای دارد

• مردم آن‌گونه که می‌نویسند صحبت نمی‌کنند. در فارسی گفتاری واژه‌ها کوتاه و دگرگون می‌شوند؛ «می‌خواهم» به شکل «می‌خوام» گفته می‌شود، «است» اغلب به «ـه» و «را» به «رو» تبدیل می‌شود. یک سامانه ممکن است همان چیزی را که شنیده بنویسد (شکل گفتاری)، آن را به شکل نوشتاری برگرداند یا این دو را در یک جمله درهم بیاورد. هیچ‌کدام نادرست نیست، اما باید بدانید کدام را دریافت می‌کنید و کدام را می‌خواهید.
• لهجه‌ها و گویش‌ها. فارسی با لهجه‌های منطقه‌ای بسیاری صحبت می‌شود و بسیاری از گویندگان در خانه به ترکی آذربایجانی، کردی، گیلکی، لری یا زبان دیگری نیز صحبت می‌کنند. مدلی که بیشتر با گفتار تهرانی آموزش دیده است، ممکن است برای دیگران به‌طور محسوسی ضعیف‌تر عمل کند. سامانه را با همان صداهایی بیازمایید که واقعاً ضبط خواهند شد.
• واژه‌های انگلیسی در میان فارسی. گفتار فنی و کاری پر از واژه‌های انگلیسی است، مانند ددلاین، سرور یا میتینگ، که با تلفظ فارسی گفته می‌شوند. سامانه ممکن است آن‌ها را با حروف فارسی، با حروف لاتین یا به شکل یک واژه فارسی هم‌آوا بنویسد.
• نام‌ها و اعداد. نام افراد، شرکت‌ها و مکان‌ها و نیز ارقام، جاهایی هستند که متن پیاده‌شده بیش از همه در آن‌ها خطا می‌کند و خطای آن‌ها بیشترین هزینه را دارد.
• قواعد نوشتاری. نیم‌فاصله، حروف عربی و فارسی و ارقام در اینجا به همان اندازه هر متن فارسی دیگری اهمیت دارند (مقاله پردازش متن فارسی با هوش مصنوعی را ببینید). متنی که «میشود» را بدون نیم‌فاصله نوشته باشد، هم بد خوانده می‌شود و هم بد جست‌وجو.

ضبط صدا مهم‌تر از مدل است

بزرگ‌ترین عامل دقت معمولاً کیفیت ضبط است، نه انتخاب سامانه:

• میکروفون نزدیک به گوینده. میکروفون داخلی لپ‌تاپی که در انتهای میز جلسه قرار دارد، صدای اتاق را بیشتر از صدای گوینده ضبط می‌کند. یک میکروفون نزدیک هر گوینده، یا یک میکروفون کنفرانس خوب در وسط یک میز کوچک، بیش از هر چیز دیگری کمک می‌کند.
• اتاق آرام. صدای کولر، ترافیک، صفحه‌کلید و پژواک در اتاقی خالی، همگی از دقت می‌کاهند.
• هر بار یک نفر. گفتار هم‌زمان برای همه سامانه‌ها دشوار است. تشخیص گویندگان از یکدیگر نیز وقتی افراد میان صحبت یکدیگر نمی‌پرند، بسیار بهتر انجام می‌شود.
• بدون فشرده‌سازی سنگین. فایلی که چند بار از طریق پیام‌رسان ارسال شده یا تماس تلفنی با کیفیت پایین، جزئیاتی را از دست می‌دهد که دیگر بازگرداندنی نیست. فایل اصلی را نگه دارید.

خواندن نتیجه

• انتظار ویرایش داشته باشید. برای یک فایل صوتی واضح، سامانه خوب اغلب متنی می‌دهد که فقط به اصلاح جزئی نیاز دارد. برای جلسه‌ای پرسروصدا با گویندگان زیاد، ویرایش بسیار بیشتری لازم است. پیش از استفاده از متن در هر کار مهمی، یک نفر باید آن را بخواند.
• نام‌ها، ارقام و تصمیم‌ها را با فایل صوتی تطبیق دهید، نه با عبارت‌های خود متن.
• مراقب متن ساختگی باشید. برخی سامانه‌های جدید مانند مدل‌های زبانی ساخته شده‌اند و در سکوت، موسیقی یا صدای نامفهوم ممکن است جمله‌هایی روان بنویسند که هیچ‌کس نگفته است. سکوت‌های طولانی و موسیقی پس‌زمینه جاهای معمول بروز این خطا هستند.
• زمان‌بندی را نگه دارید. متنی که زمان هر بخش را دارد، به هر کسی امکان می‌دهد به همان لحظه از فایل صوتی برود و آن را بررسی کند.

حریم خصوصی و مقصد فایل صوتی

فایل‌های صوتی جلسه‌ها و تماس‌ها اغلب اطلاعات شخصی و محرمانه دارند. پیش از انتخاب ابزار، درباره این موارد تصمیم بگیرید:

• فایل صوتی کجا پردازش می‌شود. سرویس آنلاین فایل را برای شخص ثالثی، شاید در کشوری دیگر، می‌فرستد. بخوانید این سرویس با فایل‌ها چه می‌کند، آیا آن‌ها را نگه می‌دارد و آیا از آن‌ها برای آموزش مدل‌های خود استفاده می‌کند.
• آیا افراد می‌دانند صدایشان ضبط می‌شود. پیش از جلسه به شرکت‌کنندگان اطلاع دهید و هر جا لازم است، موافقت آن‌ها را بگیرید.
• چه کسانی می‌توانند متن‌ها را بخوانند و این متن‌ها چه مدت نگه داشته می‌شوند.

برای محتوای حساس، یک مدل متن‌باز تشخیص گفتار که روی سرور خود سازمان اجرا می‌شود، فایل صوتی را درون سازمان نگه می‌دارد. این روش به سخت‌افزار مناسب و کمی راه‌اندازی نیاز دارد، اما هیچ چیز از ساختمان بیرون نمی‌رود (مقاله اجرای هوش مصنوعی روی لبه را ببینید).

چگونه انتخاب کنیم

در اینجا محصولات را رتبه‌بندی نمی‌کنیم، زیرا نتایج با نسخه‌های تازه به‌سرعت تغییر می‌کنند و بهترین انتخاب به فایل‌های صوتی شما بستگی دارد. یک آزمون منصفانه یک بعدازظهر وقت می‌گیرد:

1. ده تا بیست فایل صوتی واقعی از همان نوعی که قرار است پیاده شود جمع‌آوری کنید، با همان صداها، اتاق‌ها و موضوع‌ها.
2. از یک نفر بخواهید متن درست چند دقیقه از هر فایل را بنویسد.
3. هر سامانه را روی همین فایل‌ها اجرا کنید و نتیجه را با متن درست مقایسه کنید و به‌ویژه به نام‌ها، اعداد و اصطلاحات انگلیسی توجه کنید.
4. جنبه‌های عملی را نیز بسنجید؛ هزینه هر ساعت صوت، سرعت، تشخیص گویندگان، زمان‌بندی و مقصد فایل صوتی.

وقتی گفتار به متن تبدیل شد، سایر ابزارهای مدل‌های زبانی نیز به کار می‌آیند. متن را می‌توان خلاصه یا جست‌وجو کرد یا به صورت‌جلسه تبدیل کرد (برای درخواست یک خلاصه خوب، مقاله پرامپت‌نویسی را ببینید)، به شرط آنکه کسی بخش‌های مهم را بررسی کند.

برای گفت‌وگو درباره تبدیل فایل‌های صوتی فارسی سازمان شما به متن قابل استفاده، با ما در تماس باشید.