Google और Microsoft को समझना

नहीं, यह पोस्ट किसी भी कानूनी विवाद के विषय पर एक और बतख नहीं होगी, "एक कंपनी के मुख्य मालिक को दूसरे को बुलाया" की भावना में समाचार और साजिश के बारे में अटकलें। हम Google और Microsoft द्वारा प्रदत्त पाठ से वाक् पहचान इंजन और वाक् पीढ़ी के बारे में बात करेंगे, उनकी आंतरिक अनुकूलता और पारस्परिक मित्रता।

जैसा कि आप जानते हैं, Google और Microsoft दोनों के पास वाक् पहचान और पाठ-आधारित वाक् पीढ़ी है। Google के लिए ये उपकरण ऑनलाइन हैं, इनका उपयोग अनुवाद और खोज के लिए किया जाता है, Microsoft के लिए इन्हें ऑपरेटिंग सिस्टम में बनाया जाता है, इन्हें इंटरफ़ेस के साथ अतिरिक्त इंटरैक्शन के साधन के रूप में उपयोग किया जाता है। आइए तुलना करने के लिए राइनो के साथ बुलडॉग को पार करने की कोशिश करें कि ये चीजें एक दूसरे के साथ कितनी अच्छी तरह काम करती हैं। इसके लिए, मैं 10 प्रसिद्ध अंग्रेजी वाक्यांशों को ले जाऊंगा (मुझे रूसी भाषा के बारे में कोई भ्रम नहीं है), हम दोनों कंपनियों के इंजनों का उपयोग करके उनसे ऑडियो फाइलें उत्पन्न करेंगे और प्राप्त फ़ाइलों (फिर से, दो तरीकों से) को पहचानने का प्रयास करेंगे।

प्रयुक्त तंत्र

Google ऑडियो पाठ पीढ़ी: Google अनुवादक
Google ऑडियो पाठ पीढ़ी: सम्मानित यखनेव कार्यक्रम , जिसे थोड़ा सुधारा जाना था (लंबे समय तक लाइव सोर्स)।

Microsoft पाठ ऑडियो पीढ़ी: अन्ना इंजन
माइक्रोसॉफ्ट ऑडियो टेक्स्ट जनरेशन: विंडोज स्पीच रिकॉग्निशन

टेस्ट वाक्यांश

1. आपके साथ बल हो सकता है।
2. एक मार्टिनी हिलाया नहीं, हिलाया नहीं।
3. इतिहास उन पिछली घटनाओं का संस्करण है जिन पर लोगों ने सहमति व्यक्त करने का निर्णय लिया है।
4. यह एक छोटा कदम है एक आदमी के लिए, एक विशाल छलांग मानव जाति के लिए
5. सही काम करो। यह कुछ लोगों को संतुष्टि देगा और बाकी को चकित करेगा।
6. मेरा एक सपना है कि एक दिन यह राष्ट्र ऊपर उठेगा।
7. प्राथमिक, मेरे प्यारे वॉटसन।
8. जीवन चॉकलेट के एक बक्से की तरह था: आप कभी नहीं जानते कि आप क्या पाने वाले हैं।
9. हर बड़े भाग्य के पीछे एक अपराध होता है।
10. प्रतिभा एक प्रतिशत प्रेरणा और निन्यानबे प्रतिशत पसीना है।

कौन ऊब रहा है - आप याद कर सकते हैं कि वाक्यांश कहाँ से आए (केवल Google के बिना - अन्यथा यह दिलचस्प नहीं है)।

तो, यहाँ परिणामी ऑडियो फाइलें हैं।

मान्यता परिणाम

इस प्रकार Google ने अपने द्वारा उत्पन्न ऑडियो को पहचान लिया:

1. बल आपके साथ हो सकता है - 100%
2. एक मार्टिनी हिला नहीं - 100%
3. त्रुटि 500 ​​- 0%
4. कि मानव जाति के लिए 1 विशाल छलांग 1 छोटा कदम है - 92%
5. सही काम करें यह कुछ लोगों और हीरों को प्रत्यक्ष रूप से संतुष्टि देगा - 77%
6. मेरा सपना है कि 1 दिन यह राष्ट्र ऊपर उठेगा - 100%
7. प्राथमिक मेरे प्रिय वाटसन - 100%
8. जीवन चॉकलेट के एक बक्से की तरह था जिसे आप कभी नहीं जानते कि आप क्या पाने जा रहे हैं - 100%
9. हर महान भाग्य छत ब्रुकलाइन के पीछे - 50%
10. प्रतिभा 1 प्रतिशत प्रेरणा और 99 प्रतिशत पसीना है - 100%

औसत परिणाम: 82% । यह ध्यान दिया जाना चाहिए कि Google तीसरे वाक्यांश को बिल्कुल भी पहचानने में सक्षम नहीं था - उसने एक त्रुटि जारी की।

इस तरह से Google ने उस ऑडियो को पहचाना जिसे Microsoft के ध्वनि इंजन ने इंजीनियर किया है:

1. बल आपके साथ हो सकता है - 100%
2. एम मार्टिनी हिला नहीं हिला - 80%
3. इतिहास पिछले कुछ बैंडों का संस्करण है जिन पर लोगों ने सहमति व्यक्त की है - 93%
4. कि मानव जाति के लिए 1 विशाल छलांग 1 छोटा कदम है - 92%
5. सही काम करो यह कुछ लोगों और आश्चर्यजनक गिरफ्तारी का आभार व्यक्त करेगा - 85%
6. मेरा सपना है कि 1 दिन यह राष्ट्र ऊपर उठेगा - 100%
7. प्राथमिक मेरे प्रिय वाटसन - 100%
8. जीवन चॉकलेट के एक बॉक्स की तरह होगा जिसे आप कभी नहीं जानते कि आप क्या पाने जा रहे हैं - 93%
9. हर महान भाग्य के पीछे एक अपराध है - 100%
10. प्रतिभा 1 प्रतिशत प्रेरणा और 99 प्रतिशत पसीना है - 100%

औसत परिणाम: 94%
Google Microsoft को अपने से बेहतर 13% समझता है! ।
मजेदार, सहमत हूँ। हालांकि, अगर आप इसके बारे में सोचते हैं, तो इसमें कुछ भी अजीब नहीं है। Microsoft अन्ना अधिक गंभीर रूप से, विडंबनापूर्ण लगता है, शब्दों के बीच ठहराव और Google के अनुवादक की तुलना में किसी व्यक्ति के कान आँख में अधिक यांत्रिक रूप से लगते हैं। इसलिए यह स्वाभाविक है कि Google की "अधिक" मानव आवाज कम पहचानी जाती है।

विंडोज का उपयोग करके ऑडियो फाइलों को पहचानने के प्रयास के रूप में - एक विफलता ने मुझे इंतजार किया। सबसे पहले, मेरी रूसी-भाषा विंडोज को यह नहीं पता है कि यह कैसे करना है (लेकिन ये ट्राइफल्स हैं), और दूसरी बात, माइक्रोसॉफ्ट की आवाज मान्यता पूरी तरह से अलग सिद्धांतों पर काम करती है। यह एक लर्निंग मैकेनिज्म पर बनाया गया है और यह उतना ही बेहतर होता है कि आप कंप्यूटर को आपको समझना सिखाते हैं। मुझे यह पता नहीं चला कि क्या इस प्रयोग में इंजन को प्रशिक्षित करना उचित नहीं है (लेकिन इस मामले में मुझे यह समझ में भी नहीं आता कि इसे कैसे शुरू किया जाए) या "जब तक नीले रंग में नहीं है" तब तक इसे प्रशिक्षित किया जाए जब तक कि सबकुछ पहचाना न जाए - और इस तरह के प्रयोग का फैसला नहीं किया। अगर किसी को भी ऐसा करने में दिलचस्पी होगी, तो मैं एक बार फिर से ऑडियो फाइलों और एक लेख का परीक्षण करने के लिए एक लिंक दूंगा, जिसमें एक प्रोग्राम बनाया जा सकता है जो माइक्रोफोन इनपुट के बजाय ऑडियो फाइलों से पाठ को पहचानता है।

चूंकि प्रयोग Google तकनीकों पर केंद्रित था, इसलिए मैंने उनके ब्लॉग पर एक विषय प्रकाशित किया।